CN110415309B - 基于生成对抗网络实现指纹图片自动生成的方法 - Google Patents

基于生成对抗网络实现指纹图片自动生成的方法 Download PDF

Info

Publication number
CN110415309B
CN110415309B CN201910559150.9A CN201910559150A CN110415309B CN 110415309 B CN110415309 B CN 110415309B CN 201910559150 A CN201910559150 A CN 201910559150A CN 110415309 B CN110415309 B CN 110415309B
Authority
CN
China
Prior art keywords
fingerprint
countermeasure network
network
training
automatically generating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910559150.9A
Other languages
English (en)
Other versions
CN110415309A (zh
Inventor
王立
洪丽娟
李海鹏
刘辛宇
张伟
冯宗伟
杨政予
马洪娜
江妍
李小凡
华寅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Third Research Institute of the Ministry of Public Security
Original Assignee
Third Research Institute of the Ministry of Public Security
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Third Research Institute of the Ministry of Public Security filed Critical Third Research Institute of the Ministry of Public Security
Priority to CN201910559150.9A priority Critical patent/CN110415309B/zh
Publication of CN110415309A publication Critical patent/CN110415309A/zh
Application granted granted Critical
Publication of CN110415309B publication Critical patent/CN110415309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于生成对抗网络实现指纹图片自动生成的方法，包括对训练用的指纹图片数据集进行预处理；对预处理后的指纹图片按照左旋指纹、旋涡指纹、右旋指纹、帐篷形指纹以及拱形指纹五类样式为对应的标签进行独热编码；以条件生成对抗网络为基础构建训练网络模型；向训练网络模型输入训练用指纹图像以及对应的标签向量进行训练直至结果收敛；根据经过训练后得到的网络模型，自动生成指纹图片。采用了基于生成对抗网络实现指纹图片自动生成的方法，搭建的生成对抗网络结构简单，生成速度快，最终由生成网络生成的指纹图片清晰、逼真而且能够生成匹配不同个体的指纹图片，在指纹数据集构建以及指纹安全领域都有广阔的应用前景。

Description

基于生成对抗网络实现指纹图片自动生成的方法
技术领域
本发明涉及计算机视觉领域，尤其涉及图像生成技术领域，具体是指一种基于生成对抗网络实现指纹图片自动生成的方法。
背景技术
随着科技的进步，指纹识别技术由于其简单、快速、准确、可靠等优势已经完全走入了我们的日常生活之中。目前在世界上许多公司和研究机构都在指纹识别技术的研究中取得了很多突破性技术，从而推出了许多新产品，这些产品已经开始在安防、电子、金融等领域广泛应用。但科技的发展也同时让指纹识别技术暴露了如下一些问题：
1、采用匹配方式的指纹识别技术需要更多人的指纹数据，但指纹数据采集困难；
2、由于现有的技术只存储从指纹中得到的加密的指纹特征数据，这样虽然存储方便，但不利于指纹的匹配识别并且指纹特征容易被复制；
3、评估指纹识别系统中漏洞的研究是在修复漏洞和发现新漏洞之间不断竞赛，研究人员必须探索新的漏洞，以便修复漏洞，但不仅需要证明存在漏洞，还需要展示如何执行实际攻击；
4、目前针对指纹识别技术的检验检测需要大量的指纹数据集，但目前指纹数据严重缺乏。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种结构简单、速度快、图片清晰的基于生成对抗网络实现指纹图片自动生成的方法。
为了实现上述目的，本发明的基于生成对抗网络实现指纹图片自动生成的方法如下：
该基于生成对抗网络实现指纹图片自动生成的方法，其主要特点是，所述的方法包括以下步骤：
(1)对训练用的指纹图片数据集进行预处理；
(2)对预处理后的指纹图片按照左旋指纹、旋涡指纹、右旋指纹、帐篷形指纹以及拱形指纹五类样式为对应的标签进行独热编码，形成标签向量；
(3)以条件生成对抗网络为基础构建训练网络模型；
(4)向训练网络模型输入步骤(1)得到的训练用指纹图像以及对应的由步骤(2)得到的标签向量进行训练直至结果收敛；
(5)根据经过训练后得到的网络模型，自动生成指定样式且大小为2N×2N的指纹图片。
较佳地，所述的步骤(1)中预处理后的指纹图片为8位、单通道、大小为2N×2N像素的图片。
较佳地，所述的N的取值为大于等于7、小于等于10的正整数。
较佳地，所述的步骤(1)中的预处理包括裁剪、缩放、平移以及旋转。
较佳地，所述的步骤(2)中的独热编码具体为：
根据五类指纹样式将每个指纹图片的标签定义为一个五维的特征向量。
较佳地，所述的步骤(3)具体为：
将经过独热编码后的标签向量作为条件构建生成对抗网络。
较佳地，所述的步骤(4)具体为：
(4.1)将真指纹图像与伪指纹图像以及对应的标签输入对抗网络来训练对抗网络；
(4.2)将标签向量以及噪声向量输入生成网络来训练生成伪指纹图像，更替训练生成网络与对抗网络。
较佳地，所述的步骤(4.2)中训练5次对抗网络后更新生成网络。
较佳地，所述的生成网络与对抗网络均包含N－4次卷积、池化处理和1次全连接处理。
采用了基于生成对抗网络实现指纹图片自动生成的方法，由于其采用深度学习技术，利用真实指纹图片数据来对生成对抗网络进行训练，并且将指纹样式作为输入条件，得到了可以自动生成五类指纹图片的生成器网络。本发明的核心就在于搭建的生成对抗网络结构简单，生成速度快，最终由生成网络生成的指纹图片清晰、逼真而且能够生成匹配不同个体的指纹图片，在指纹数据集构建以及指纹安全领域都有广阔的应用前景。
附图说明
图1为本发明的基于生成对抗网络实现指纹图片自动生成的方法的指纹图片自动生成方法中5种指纹样式示意图。
图2为本发明的基于生成对抗网络实现指纹图片自动生成的方法的指纹图片自动生成方法中生成网络流程示意图。
图3为本发明的基于生成对抗网络实现指纹图片自动生成的方法的对抗网络流程示意图。
图4为本发明的基于生成对抗网络实现指纹图片自动生成的方法的步骤示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的该基于生成对抗网络实现指纹图片自动生成的方法，其中包括以下步骤：
(1)对训练用的指纹图片数据集进行预处理；
(2)对预处理后的指纹图片按照左旋指纹、旋涡指纹、右旋指纹、帐篷形指纹以及拱形指纹五类样式为对应的标签进行独热编码，形成标签向量；
根据五类指纹样式将每个指纹图片的标签定义为一个五维的特征向量；
(3)以条件生成对抗网络为基础构建训练网络模型；
将经过独热编码后的标签向量作为条件构建生成对抗网络；
(4)向训练网络模型输入步骤(1)得到的训练用指纹图像以及对应的由步骤(2)得到的标签向量进行训练直至结果收敛；
(4.1)将真指纹图像与伪指纹图像以及对应的标签输入对抗网络来训练对抗网络；
(4.2)将标签向量以及噪声向量输入生成网络来训练生成伪指纹图像，更替训练生成网络与对抗网络；
(5)根据经过训练后得到的网络模型，自动生成指定样式且大小为2N×2N的指纹图片。
作为本发明的优选实施方式，所述的步骤(1)中预处理后的指纹图片为8位、单通道、大小为2N×2N像素的图片。
作为本发明的优选实施方式，所述的N的取值为大于等于7、小于等于10的正整数。
作为本发明的优选实施方式，所述的步骤(1)中的预处理包括裁剪、缩放、平移以及旋转。
作为本发明的优选实施方式，所述的步骤(4.2)中训练5次对抗网络后更新生成网络。
作为本发明的优选实施方式，所述的生成网络与对抗网络均包含N－4次卷积、池化处理和1次全连接处理。
本发明的具体实施方式中，本发明涉及一种基于生成对抗网络的指纹图片自动生成方法，包括以下步骤：(1)对训练用的指纹图片数据集进行预处理，预处理后的指纹图片为8位、单通道、大小为2N×2N像素；(2)对预处理后的指纹图片按照左旋指纹、旋涡指纹、右旋指纹、帐篷形指纹以及拱形指纹五类样式来对对应的标签进行独热编码；(3)以条件生成对抗网络为基础构建训练网络模型，并且将标签作为条件输入；(4)向训练网络模型输入预处理后的训练用指纹图像以及对应的标签进行训练直至结果收敛；(5)根据经过训练后最终的网络模型，自动生成指定样式的、大小为2N×2N的指纹图片。本发明在真实指纹图片数据集上训练一个生成对抗网络，将指纹样式作为输入条件变量，提供给网络的生成器，使得能够生成匹配不同个体的指纹图片，在指纹数据集构建以及指纹安全领域都有广阔的应用前景。
该一种基于生成对抗网络的简洁方便的指纹图片自动生成方法，其主要特点是，所述的提取方法包括以下步骤：
(1)对训练用的指纹图片数据集进行预处理，预处理后的指纹图片为8位、单通道、大小为2N×2N像素；
(2)对步骤(1)中得到的预处理后的指纹图片按照左旋指纹(Left)、旋涡指纹(Whorl)、右旋指纹(Right)、帐篷形指纹(TentArch)以及拱形指纹(Arch)五类样式来对对应的标签进行独热编码(One-Hot)，形成标签向量；
(3)以条件生成对抗网络(cGAN)为基础构建训练网络模型；
(4)向训练网络模型输入步骤(1)得到的训练用指纹图像以及对应的由步骤(2)得到的标签向量进行训练直至结果收敛；
(5)根据经过训练后最终的网络模型，自动生成指定样式的、大小为2N×2N的指纹图片。
所述的N的取值为大于等于7的正整数。
所述的N小于等于10。
所述的步骤(1)中的预处理包括裁剪、缩放、平移、旋转等。
所述的步骤(2)中的标签独热编码具体为：
根据5种指纹样式，每个指纹图片的标签被定义为一个5维的特征向量，在任意时候，其中只有其中一维有效。
所述的步骤(3)具体为：
将经过独热编码后的标签向量作为条件构建生成对抗网络。
所述的步骤(4)具体为：
将真指纹图像与伪指纹图像以及对应的标签输入对抗网络(D)来训练对抗网络，将标签向量以及噪声向量输入生成网络(G)来训练生成伪指纹图像，更替训练生成网络(G)与对抗网络(D)，每次生成网络(G)更新之间训练5次对抗网络(D)，最终目标是使对抗网络(D)难以分辨真指纹图像与伪指纹图像。
所述的步骤(4)包括：
生成网络(G)与对抗网络(D)均包含N－4次卷积、池化处理、1次全连接处理。
请参阅图4，在一种具体实施例中，该自动生成的指纹图片大小为256×256时，所述的一种基于生成对抗网络的指纹图片自动生成方法具体包括以下步骤：
(1)请参阅图1，对训练用的指纹图片数据集进行预处理，为了增加训练数据以及模型泛化能力，将数据增广技术引入预处理，通过一系列裁剪、缩放、平移、旋转等预处理操作后的指纹图片均为8位、单通道、大小为256×256像素，最终训练用指纹图片数据量为5000张，每个样式的指纹图片数为1000张，共5个样式。
(2)请参阅图1，对步骤(1)中得到的预处理后的指纹图片按照左旋指纹(Left)、旋涡指纹(Whorl)、右旋指纹(Right)、帐篷形指纹(TentArch)以及拱形指纹(Arch)五类样式来对对应的标签进行独热编码(One-Hot)，并且构建一个5维的特征向量，例如：
当指纹图片为右旋指纹，此时采用独热编码的特征向量为[0 0 1 0 0]。
(3)以条件生成对抗网络(cGAN)为基础构建训练网络模型，请参阅图2，生成网络的输入为噪声向量Z以及作为条件的标签向量，其中，Z它为满足正态分布的100维的向量，标签向量为热度编码的5为向量。经过1个全连接层以及3个卷积层，每层之后均经过批归一化以及ReLU激活，再通过最后1个卷积层以及批归一化和Tanh激活之后，得到生成的大小为256×256像素的指纹图片。
请参阅图3，对抗网络的输入为指纹图片以及标签向量，其中，指纹图片大小为256×256像素，标签向量为热度编码的5为向量。经过4个卷积层，每层之后均经过批归一化以及LeakyReLU激活，再通过最后1个全连接层以及批归一化和Sigmod激活之后，得到1个一维输出，它代表着对抗网络对输入图片真假的判别结果。
(4)向训练网络模型输入步骤(1)得到的训练用指纹图像以及对应的由步骤(2)得到的标签进行训练直至结果收敛。具体为，将真指纹图像与伪指纹图像以及对应的标签输入对抗网络(D)来训练对抗网络，将标签向量以及噪声向量输入生成网络(G)来训练生成伪指纹图像，更替训练生成网络(G)与对抗网络(D)，每次生成网络(G)更新之间训练5次对抗网络(D)，最终目标是使对抗网络(D)难以分辨真指纹图像与伪指纹图像。
训练过程中，使用小批量梯度下降方案训练生成网络与对抗网络，生成网络与对抗网络每批采样150个指纹图像和150个标签向量，训练批次均为2000，学习率均为0.0005，最大保存模型数均为999。
所述生成网络损失函数即最大化表达式如下：
其中，m＝150为每批采样的指纹图像和标签向量数，c为作为条件的标签向量，z为噪声向量，G(ci,zi)为生成的数据，D(G(ci,zi))为对抗网络判断生成的数据为真的概率。
所述对抗网络损失函数即最大化表达式如下：
其中，m＝150为每批采样的指纹图像和标签向量数，c为作为条件的标签向量，z为噪声向量，x为真实数据，G(ci,zi)为生成的数据，D(G(ci,xi))为对抗网络判断真实的数据为真的概率，D(G(ci,zi))为对抗网络判断生成的数据为真的概率。
采用了基于生成对抗网络实现指纹图片自动生成的方法，由于其采用深度学习技术，利用真实指纹图片数据来对生成对抗网络进行训练，并且将指纹样式作为输入条件，得到了可以自动生成五类指纹图片的生成器网络。本发明的核心就在于搭建的生成对抗网络结构简单，生成速度快，最终由生成网络生成的指纹图片清晰、逼真而且能够生成匹配不同个体的指纹图片，在指纹数据集构建以及指纹安全领域都有广阔的应用前景。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (8)

1.一种基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的方法包括以下步骤：
(1)对训练用的指纹图片数据集进行预处理；
(2)对预处理后的指纹图片按照左旋指纹、旋涡指纹、右旋指纹、帐篷形指纹以及拱形指纹五类样式为对应的标签进行独热编码，形成标签向量；
(3)以条件生成对抗网络为基础构建训练网络模型；
(4)向训练网络模型输入步骤(1)得到的训练用指纹图像以及对应的由步骤(2)得到的标签向量进行训练直至结果收敛；
(5)根据经过训练后得到的网络模型，自动生成指定样式且大小为2N×2N的指纹图片；
所述的步骤(3)具体为：
经过1个全连接层以及3个卷积层，每层之后均经过批归一化以及ReLU激活，再通过最后1个卷积层以及批归一化和Tanh激活后，得到生成的大小为256×256像素的指纹图片；
经过4个卷积层，每层之后均经过批归一化以及LeakyReLU激活，再通过最后1个全连接层以及批归一化和Sigmod激活之后，得到1个一维输出，它代表着对抗网络对输入图片真假的判别结果；
所述的步骤(4)具体为：
(4.1)将真指纹图像与伪指纹图像以及对应的标签输入对抗网络来训练对抗网络；
(4.2)将标签向量以及噪声向量输入生成网络来训练生成伪指纹图像，更替训练生成网络与对抗网络。
2.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的步骤(1)中预处理后的指纹图片为8位、单通道、大小为2N×2N像素的图片。
3.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的N的取值为大于等于7、小于等于10的正整数。
4.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的步骤(1)中的预处理包括裁剪、缩放、平移以及旋转。
5.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的步骤(2)中的独热编码具体为：
根据五类指纹样式将每个指纹图片的标签定义为一个五维的特征向量。
6.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的步骤(3)具体为：
将经过独热编码后的标签向量作为条件构建生成对抗网络。
7.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的步骤(4.2)中训练5次对抗网络后更新生成网络。
8.根据权利要求1所述的基于生成对抗网络实现指纹图片自动生成的方法，其特征在于，所述的生成网络与对抗网络均包含N－4次卷积、池化处理和1次全连接处理。
CN201910559150.9A 2019-06-26 2019-06-26 基于生成对抗网络实现指纹图片自动生成的方法 Active CN110415309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910559150.9A CN110415309B (zh) 2019-06-26 2019-06-26 基于生成对抗网络实现指纹图片自动生成的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910559150.9A CN110415309B (zh) 2019-06-26 2019-06-26 基于生成对抗网络实现指纹图片自动生成的方法

Publications (2)

Publication Number Publication Date
CN110415309A CN110415309A (zh) 2019-11-05
CN110415309B true CN110415309B (zh) 2023-09-08

Family

ID=68359810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910559150.9A Active CN110415309B (zh) 2019-06-26 2019-06-26 基于生成对抗网络实现指纹图片自动生成的方法

Country Status (1)

Country Link
CN (1) CN110415309B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382675B (zh) * 2020-02-24 2024-02-27 江苏大学 一种用于行人识别数据集增强训练的生成对抗网络系统
CN111597977A (zh) * 2020-05-14 2020-08-28 公安部第三研究所 基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法
CN111597978B (zh) * 2020-05-14 2023-04-07 公安部第三研究所 基于StarGAN网络模型实现行人重识别图片自动生成的方法
CN111563561A (zh) 2020-07-13 2020-08-21 支付宝(杭州)信息技术有限公司 指纹图像的处理方法及装置
CN112800852A (zh) * 2020-12-31 2021-05-14 公安部第三研究所 实现指静脉生物特征测试图片自动生成的方法、系统、装置、处理器及其存储介质
CN114821681A (zh) * 2022-06-27 2022-07-29 深圳市魔力信息技术有限公司 一种指纹增广方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220600A (zh) * 2017-05-17 2017-09-29 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络
CN108444447A (zh) * 2018-02-28 2018-08-24 哈尔滨工程大学 一种用于水下避障系统中的渔网实时自主检测方法
CN109559287A (zh) * 2018-11-20 2019-04-02 北京工业大学 一种基于DenseNet生成对抗网络的语义图像修复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018053340A1 (en) * 2016-09-15 2018-03-22 Twitter, Inc. Super resolution using a generative adversarial network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220600A (zh) * 2017-05-17 2017-09-29 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络
CN108444447A (zh) * 2018-02-28 2018-08-24 哈尔滨工程大学 一种用于水下避障系统中的渔网实时自主检测方法
CN109559287A (zh) * 2018-11-20 2019-04-02 北京工业大学 一种基于DenseNet生成对抗网络的语义图像修复方法

Also Published As

Publication number Publication date
CN110415309A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110415309B (zh) 基于生成对抗网络实现指纹图片自动生成的方法
Yang et al. Attacks on state-of-the-art face recognition using attentional adversarial attack generative network
CN107992764B (zh) 一种敏感网页识别与检测方法及装置
Huang et al. Isolated Handwritten Pashto Character Recognition Using a K‐NN Classification Tool based on Zoning and HOG Feature Extraction Techniques
CN112651940B (zh) 基于双编码器生成式对抗网络的协同视觉显著性检测方法
CN111414845B (zh) 基于空间-时间图推理网络的多形态语句视频定位方法
Zamil et al. Spam image email filtering using K-NN and SVM
Yin et al. When deep fool meets deep prior: Adversarial attack on super-resolution network
Li et al. STADE-CDNet: Spatial–temporal attention with difference enhancement-based network for remote sensing image change detection
CN115098857B (zh) 一种可视化恶意软件的分类方法及装置
Li et al. Transformer based defense GAN against palm-vein adversarial attacks
CN117237688A (zh) 一种基于融合特征的apt恶意样本攻击组织溯源方法
CN114723994A (zh) 一种基于双分类器对抗增强网络的高光谱图像分类方法
CN117993002A (zh) 一种基于人工智能的数据安全保护方法
CN105868743B (zh) 一种基于快速监督离散哈希的人脸检索方法
CN117152504A (zh) 一种空间相关性引导的原型蒸馏小样本分类方法
CN112465836A (zh) 基于轮廓信息的热红外语义分割无监督领域自适应方法
CN107085700A (zh) 一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法
CN116610802A (zh) 基于虚拟对抗与双向对比学习有监督文本分类方法及系统
CN113887504B (zh) 强泛化性的遥感图像目标识别方法
CN114155387A (zh) 利用Logo标志图文信息的相似度Logo发现方法
Zhou Lip print recognition algorithm based on convolutional network
Shen et al. Water Meter Reading Recognition Based on Deep Learning
Wang et al. CAPTCHA Identification Based on Convolution Neural Network
Chen et al. Malicious Code Family Classification Method Based on Vision Transformer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant