CN110428357A - 图像中水印的检测方法、装置、电子设备及存储介质 - Google Patents
图像中水印的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110428357A CN110428357A CN201910737381.4A CN201910737381A CN110428357A CN 110428357 A CN110428357 A CN 110428357A CN 201910737381 A CN201910737381 A CN 201910737381A CN 110428357 A CN110428357 A CN 110428357A
- Authority
- CN
- China
- Prior art keywords
- watermark
- region
- image
- detection
- preset
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 176
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请提供一种图像中水印的检测方法、装置、电子设备及存储介质，涉及图像处理技术领域。该方法通过采用预设的特征提取层，提取待检测图像的特征图，根据第一样本图像训练获取的与水印检测区域相匹配的预设锚框，其中，第一样本图像中包含标记的水印区域，通过该预设锚框和区域推荐网络的设置，使得可以在特征图中获取到满足水印检测需求的预设数量的候选检测区域，减少候选检测区域的数量，进而根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域时，可以有效提高图像中水印检测的速度和精度。
Description
技术领域
本申请涉及图像处理技术领域，特别涉及一种图像中水印的检测方法、装置、电子设备及存储介质。
背景技术
水印是一种应用计算机算法嵌入载体文件的保护信息，其中载体文件可以是多媒体、文档及软件等，通过检测水印可以用于信息安全保护、防伪溯源、版权保护等方面。
现有的水印检测方法一般采用传统的机器学习的算法，通过机器学习算法(比如，决策树、逻辑回归、随机森林等)识别各种载体文件中的水印。
但现有的采用机器学习的算法检测水印的方法，由于学习能力的限制，存在检测速度及检测准确度较差的问题。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种图像中水印的检测方法、装置、电子设备及存储介质，可以解决现有技术中存在的图像中水印检测速度较差的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种图像中水印的检测方法，包括：
采用预设的特征提取层，提取待检测图像的特征图；根据预设锚框和区域推荐网络，在特征图中确定预设数量的候选检测区域，其中，预设锚框根据第一样本图像训练获取，第一样本图像中包含标记的水印区域；根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域。
可选地，上述根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域，包括：根据水印检测算法，检测预设数量的候选检测区域中是否包括水印区域；若候选检测区域中包括水印区域，则获取水印区域的位置。
可选地，上述根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域之后，该方法还包括：若待检测图像中包括水印区域，采用预设水印检测模型，确定待检测图像中水印的类别，其中，水印检测模型由第二样本图像训练获取，第二样本图像包含水印区域且标记有水印的类别。
可选地，上述根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域，包括：采用预设的特征图尺寸调节算法对预设数量的候选检测区域的特征图进行处理，获取预设数量、相同尺寸的待检测区域的特征图；根据水印检测算法和预设数量的待检测区域的特征图，确定待检测图像中是否包括水印区域。
可选地，待检测图像包括水印区域，上述根据水印检测算法和预设数量的待检测区域的特征图，确定待检测图像中的水印区域，包括：根据预设的非极大值抑制算法和预设数量、相同尺寸的待检测区域的特征图，确定待检测图像中的水印区域。
可选地，上述方法包括：获取第一训练样本，第一训练样本包括：第一样本图像，第一样本图像中包含标记的水印区域；根据预设的第一全连接网络和预设的回归损失函数，训练获取水印检测算法。
可选地，上述方法包括：获取第二训练样本，第二训练样本包括：第二样本图像，第二样本图像包含水印区域且标记有水印的类别；根据预设的第二全连接网络和预设的分类损失函数，训练获取水印检测模型。
可选地，上述方法还包括：获取第一样本图像中包含标记的水印区域的形状和尺寸；根据第一样本图像中包含标记的水印区域的形状和尺寸，确定预设锚框的形状和尺寸。
第二方面，本申请实施例提供了一种图像中水印的检测装置，包括：提取模块、第一确定模块及第二确定模块。
提取模块，用于采用预设的特征提取层，提取待检测图像的特征图；第一确定模块，用于根据预设锚框和区域推荐网络，在特征图中确定预设数量的候选检测区域，其中，预设锚框根据第一样本图像训练获取，第一样本图像中包含标记的水印区域；第二确定模块，用于根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域。
可选地，上述第二确定模块，具体用于根据水印检测算法，检测预设数量的候选检测区域中是否包括水印区域；若候选检测区域中包括水印区域，则获取水印区域的位置。
可选地，上述第二确定模块，还用于若待检测图像中包括水印区域，采用预设水印检测模型，确定待检测图像中所述水印的类别，其中，水印检测模型由第二样本图像训练获取，第二样本图像包含水印区域且标记有水印的类别。
可选地，上述第二确定模块，具体用于采用预设的特征图尺寸调节算法对预设数量的候选检测区域的特征图进行处理，获取预设数量、相同尺寸的待检测区域的特征图；根据水印检测算法和预设数量的待检测区域的特征图，确定待检测图像中是否包括水印区域。
可选地，待检测图像包括水印区域，上述第二确定模块，具体用于根据预设的非极大值抑制算法和预设数量、相同尺寸的待检测区域的特征图，确定待检测图像中的水印区域。
可选地，上述装置包括：第一获取模块和第一训练获取模块；第一获取模块，用于获取第一训练样本，第一训练样本包括：第一样本图像，第一样本图像中包含标记的水印区域；第一训练获取模块，用于根据预设的第一全连接网络和预设的回归损失函数，训练获取水印检测算法。
可选地，上述装置包括：第二获取模块和第二训练获取模块；第二获取模块，用于获取第二训练样本，第二训练样本包括：第二样本图像，第二样本图像包含水印区域且标记有水印的类别；第二训练获取模块，用于根据预设的第二全连接网络和预设的分类损失函数，训练获取水印检测模型。
可选地，上述装置还包括：第三获取模块和第三确定模块；
第三获取模块，用于获取第一样本图像中包含标记的水印区域的形状和尺寸；第三确定模块，用于根据第一样本图像中包含标记的水印区域的形状和尺寸，确定预设锚框的形状和尺寸。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行上述第一方面的图像中水印的检测方法的步骤。
第四方面，本申请实施例提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如执行上述第一方面的图像中水印的检测方法的步骤。
本申请的有益效果是：
本申请实施例提供的一种图像中水印的检测方法、装置、电子设备及存储介质中，通过采用预设的特征提取层，提取待检测图像的特征图，根据第一样本图像训练获取的与水印检测区域相匹配的预设锚框，其中，第一样本图像中包含标记的水印区域，通过该预设锚框和区域推荐网络的设置，使得可以在特征图中获取到满足水印检测需求的预设数量的候选检测区域，减少候选检测区域的数量，进而根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域时，可以有效提高图像中水印检测的速度和精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种图像中水印的检测方法流程示意图；
图2为本申请实施例提供的另一种图像中水印的检测方法流程示意图；
图3为本申请实施例提供的又一种图像中水印的检测方法流程示意图；
图4为本申请实施例提供的另一种图像中水印的检测方法流程示意图；
图5为本申请实施例提供的又一种图像中水印的检测方法流程示意图；
图6为本申请实施例提供的一种图像中水印的检测装置的结构示意图；
图7为本申请实施例提供的另一种图像中水印的检测装置的结构示意图；
图8为本申请实施例提供的又一种图像中水印的检测装置的结构示意图；
图9为本申请实施例提供的另一种图像中水印的检测装置的结构示意图；
图10为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种图像中水印的检测方法流程示意图。该方法的执行主体可以是具有数据处理功能的计算机、服务器、处理器、移动终端等设备，如图1所示，该方法包括：
S101、采用预设的特征提取层，提取待检测图像的特征图。
其中，待检测图像可以是照片、图片等，待检测图像可以通过图像导入的方式获取，也可以通过上述设备自带的照相功能获取，本申请在此并不对待检测图像的获取方式进行限定。预设的特征提取层用于提取待检测图像的特征图，可以是特征提取卷积层、或其他专门提取特征的网络层，根据实际的应用场景可以选择相应的特征图提取方式，本申请在此不作限定。
S102、根据预设锚框和区域推荐网络，在特征图中确定预设数量的候选检测区域，其中，预设锚框根据第一样本图像训练获取，第一样本图像中包含标记的水印区域。
预设锚框用于确定待检测图像中水印的位置，可以根据第一样本图像训练获取，预设锚框基于预设锚点选定，其中，预设锚点指的是特征图上当前滑窗的中心在原像素空间的映射点。可选地，可以根据第一样本图像中包含标记的水印区域的大小、形状等，训练获取与水印区域相匹配的预设锚框，使得基于训练获取得到的预设锚框可以加快图像中水印区域的检测过程，提高检测速度。
区域推荐网络(Region Proposal Network，RPN)用于得到候选检测区域，其输入是预设锚框所对应的特征图，输出是预设数量的候选检测区域，可选地，图像中水印的个数较少时，该预设数量可以是100～200，可以有效降低RPN的运行时间，提高图像中水印区域的检测速度。
S103、根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域。
水印检测算法用于检测预设数量的候选检测区域中是否包括水印区域，该水印检测算法可以是卷积神经网络(Convolutional Neural Networks，CNN)、基于区域的卷积神经网络(Region-based Convolutional Neural Networks，RCNN)等物体检测算法中用于确定物体区域的算法，根据实际的应用场景可以选择相应的算法，本申请在此不作限定。
上述在确定预设数量的候选检测区域之后，可以采用水印检测算法检测预设数量的候选检测区域中是否包括水印区域，根据预设数量的候选检测区域与待检测图像之间的映射关系，进而可以确定待检测图像中是否包括水印区域。
综上所述，本申请所提供的图像中水印的检测方法，通过采用预设的特征提取层，提取待检测图像的特征图，根据第一样本图像训练获取的与水印检测区域相匹配的预设锚框，其中，第一样本图像中包含标记的水印区域，通过该预设锚框和区域推荐网络的设置，使得可以在特征图中获取到满足水印检测需求的预设数量的候选检测区域，减少候选检测区域的数量，进而根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域时，可以有效提高图像中水印检测的速度和精度。
可选地，上述根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域，包括：根据水印检测算法，检测预设数量的候选检测区域中是否包括水印区域；若候选检测区域中包括水印区域，则获取水印区域的位置。
在根据水印检测算法检测出候选检测区域中包括水印区域时，也可获取到该水印区域的位置，即可以同时获取到。其中，水印区域的位置可以用该水印区域在待检测图像中的坐标信息来表示，坐标的起点和方向可以预先进行配置，本申请不具体限制。
可选地，上述根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域之后，该方法还包括：
若待检测图像中包括水印区域，采用预设水印检测模型，确定待检测图像中水印的类别，其中，水印检测模型由第二样本图像训练获取，第二样本图像包含水印区域且标记有水印的类别。
上述预设水印检测模型用于对水印区域进行分类，获取水印的类别，可以是全连接层的网络模型、分类器等，根据实际的应用场景可以选择相应的模型，本申请在此不作限定。
可选地，在确定待检测图像中包括水印区域后，也可采用预设水印检测模型，确定待检测图像中水印的类别，其中，水印的类别可以根据水印的样式划分。比如，水印样式A1对应图像中的水印类别为b1，水印样式A2对应图像中的水印类别为b2，水印样式A3对应图像中的水印类别为b3，通过预设水印检测模型可以检测待检测图像中的水印的类别。
需要说明的是，水印的类别可以依据水印的来源、水印的形状、水印的形式(文字、图画等)来划分，本申请不作具体限制。
图2为本申请实施例提供的另一种图像中水印的检测方法流程示意图。可选地，如图2所示，上述根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域，包括：
S201、采用预设的特征图尺寸调节算法对预设数量的候选检测区域的特征图进行处理，获取预设数量相同尺寸的待检测区域的特征图。
S202、根据水印检测算法和预设数量的待检测区域的特征图，确定待检测图像中是否包括水印区域。
上述预设的特征图尺寸调节算法可以将输入尺寸不一的候选检测区域的特征图输出为相同尺寸的待检测区域的特征图，可选地，该预设的特征图尺寸调节算法可以通过兴趣区域池化(Region of Interests Pooling，RoI Pooling)层来实现，一般由于水印区域较小，浅层的细节更为丰富，可以将ROI Pooling中的神经元数设置为5x5，一方面可以提升水印区域的检测速度，另一方面，也可保证检测效果。
其中，将该预设数量、相同尺寸的待检测区域的特征图可以输入到水印检测算法中，通过水印检测算法可以检测预设数量的待检测区域的特征图是否包括水印区域，进而可以根据预设数量的待检测区域的特征图与待检测图像之间的映射关系，确定待检测图像中是否包括水印区域。
可选地，待检测图像包括水印区域，上述根据水印检测算法和预设数量的待检测区域的特征图，确定待检测图像中的水印区域，包括：
根据预设的非极大值抑制算法和预设数量相同尺寸的待检测区域的特征图，确定待检测图像中的水印区域。
其中，由于在水印区域检测的过程中，同一水印区域的位置上会产生多个待检测区域，这些待检测区域相互之间可能会有重叠，则可以通过非极大值抑制算法在多个待检测区域中找到最佳的目标区域，消除冗余的待检测区域。
具体地，通过非极大值抑制算法在多个待检测区域中找到最佳的水印区域时，可以通过计算交并比(Interection-over-Union，IoU)值，并将所计算的值与IoU阈值进行比较的方式获取最佳的水印区域，其中，IoU值指的是两个待检测区域边界框的交集面积部分除以它们的并集面积的值，IoU阈值用来删除重叠较大的边界框。可选地，可以通过增大IoU阈值的方式，减少候选框的数量，加快算法的推理速度，比如，可以设置该阈值为0.9。
例如，本申请在此以IoU阈值为0.9，待检测区域数量为6，6个待检测区域对应的边界框分别为A、B、C、D、E及F，其中，边界框的得分A＜B＜C＜D＜E＜F，每个边界框的得分可以通过预设的分类器获取，将每个边界框输入该预设的分类器会得出一个得分，则具体的确定待检测图像中的水印区域的过程可参考下述内容：
步骤一、从最大概率边界框F开始，分别判断A～E与F的重叠度IOU是否大于0.9；
步骤二、假设B、D与F的重叠度超过0.9，那么就丢弃B、D，将边界框F保留下来；
步骤三、从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的0.9，那么就丢弃，将边界框E保留下来；
步骤四、一直重复这个过程，即可在预设数量、相同尺寸的待检测区域中确定水印区域，进一步地，根据待检测区域与待检测图像之间的映射关系，即确定待检测图像中的水印区域。
图3为本申请实施例提供的又一种图像中水印的检测方法流程示意图。可选地，如图3所示，上述方法包括：
S301、获取第一训练样本，第一训练样本包括：第一样本图像，第一样本图像中包含标记的水印区域。
S302、根据预设的第一全连接网络和预设的回归损失函数，训练获取水印检测算法。
其中，水印检测算法用于确定待检测图像中水印区域的位置，可以根据预设的第一全连接网络和预设的回归损失函数，对第一样本图像训练获取，可选地，一般水印的区域比较小，可以将第一全连接网络中的神经元个数减少，设置在300～500之间，使得可以有效降低计算时间。当然，本申请在此并不限定预设的回归损失函数的类别，可以是平方损失函数、绝对值损失函数或Huber损失函数，根据实际的应用场景可自行选择，使得通过回归损失函数的调整可以提高确定水印区域位置的准确度。
可选地，第一样本图像中水印区域可以通过各第一样本图像中的坐标信息进行标记。其中，水印区域为矩形时，对应的坐标信息可以为矩形区域中两个对角的坐标；水印区域为圆形时，对应的坐标信息可以为圆形区域的圆心和半径；水印区域为椭圆形时，对应的坐标信息可以为椭圆形区域的圆心、长半轴及短半轴；根据不同的水印区域的形状可对采用不同的坐标信息进行标记，本申请在此不作限定。此外，本申请并不对第一样本图像的个数进行限定，根据实际的训练情况可自行选择。
需要说明的是，上述训练过程可以跟图1所示方法独立执行，执行主体也可以不同，本申请不作具体限制。
图4为本申请实施例提供的另一种图像中水印的检测方法流程示意图。可选地，如图4所示，上述方法还包括：
S401、获取第二训练样本，第二训练样本包括：第二样本图像，第二样本图像包含水印区域且标记有水印的类别。
S402、根据预设的第二全连接网络和预设的分类损失函数，获取水印检测模型。
其中，水印检测模型用于确定水印的类别，可以根据预设的第二全连接网络和预设的分类损失函数对第二样本图像训练获取。可选地，水印类别较少，可以将第一全连接网络中的神经元个数减少，比如，可以设置在300～500之间，使得可以有效降低计算时间；第二训练样本的可以与上述第一训练样本相同，或为上述以第一样本图像中的部分图像，本申请在此并不对第二训练样本的获取方式以及所包括的第二样本图像的数量进行限定，根据实际的应用情况可自行选择。
当然，本申请在此并不限定预设的分类损失函数的类别，该预设的分类损失函数可以是Softmax损失函数、Sigmoid损失函数等，根据实际的应用场景可自行选择，通过分类损失函数的设置，可以提高识别水印类别的精度。此外，水印检测模型还可以是通过预设的分类器来实现，该分类器可以是二分类器，对于检测多种类别的水印，该分类器还可以是多分类器，本申请在此不作限定。
可选地，需要说的是，本申请所提供的图像中水印的检测方法中，若不仅包括上述步骤S301和S302，还包括步骤S401和S402时，也即总损失函数包括预设的回归损失函数和预设的分类损失函数时，各损失函数包括对应的权重，根据实际的应用，也可对该各损失函数的权重进行调节，本申请在此并不对各损失函数的权重进行限定。
例如，实际应用中更关注于待检测图中否存在水印区域，可以降低回归权重，将回归权重由1.0修改为0.8，若Loss是总损失，Lossc是分类损失，Lossb是回归损失，λ是回归损失的权重，可选地，λ取值为0.8，则总损失可以表示为：Loss＝Lossc+λ*Lossb，通过该损失函数的对上述水印检测算法和水印检测模型进行优化调整，使得可以获取到满足预设要求的水印检测算法和水印检测模型。
需要说明的是，上述训练过程可以跟图1所示方法独立执行，执行主体也可以不同，本申请不作具体限制。
图5为本申请实施例提供的又一种图像中水印的检测方法流程示意图。可选地，如图5所示，上述方法还包括：
S501、获取第一样本图像中包含标记的水印区域的形状和尺寸。
S502、根据第一样本图像中包含标记的水印区域的形状和尺寸，确定预设锚框的形状和尺寸。
其中，预设锚框也可以根据第一样本图像训练获取，通过第一样本图像中包含标记的水印区域，可以获取到各水印区域的形状和尺寸，进而可以根据所获取到的各水印区域的形状和尺寸确定预设锚框的形状和尺寸，使得所获取的预设锚框可以与待检测的水印相匹配，可以加快水印区域的检测过程，提高检测速度。
可选地，水印区域为矩形时，对应的预设锚框可以为矩形；水印区域为圆形时，对应的预设锚框可以为圆形；水印区域为椭圆形时，对应的预设锚框可以为椭圆形，根据不同的水印区域的形状可对应不同的预设锚框的形状。可选地，水印区域的尺寸为第一预设尺寸时，对应的预设锚框的尺寸可以为第一预设尺寸；水印区域的尺寸为第二预设尺寸时，对应的预设锚框的尺寸可以为第二预设尺寸；根据不同的水印区域的尺寸可对应不同的预设锚框的尺寸。根据实际的应用场景，可自行选择预设锚框的形状和尺寸，本申请在此不作限定。
可选地，根据第一样本图像中水印区域的尺寸，可以将锚框的比例设置为[4，8，16]，基准窗大小base_size设置为16，其中，比例表示3种不同尺寸的锚框，基准窗大小base_size表示映射比例，比例乘以基准窗大小base_size则可对应得到锚框的大小是[64，128，256]，锚框的大小用于计算宽高。
另外，也可以将锚框的比率ratio修改为[0.75，0.75，0.75]，即可以将锚框的宽高比修改为比率ratio，将锚框进一步限定为条形框，减少锚框的数量，加快检测过程，提高检测速度。
例如，第i步中，锚框的大小是[64，128，256]，乘以锚框的比率，即宽高比，也即训练得到的锚框的大小是[64＝16*4，48＝16*4*0.75]、[128＝16*8，96＝16*8*0.75]、[256＝16*16，192＝16*16*0.75]，其中，以[64，48]为例说明，[64，48]表示该锚框的宽为64个像素，高为48像素，对应的形状为条形框。
此外，需要说明的是，本申请所提供的图像中水印的检测方法中各步骤可以选择更快的区域卷积神经网络(Faster Region Convolution Neural Network，Faster RCNN)，单镜头检测器(Single Shot Detector，SSD)等物体检测算法中的部分算法实现，本申请在此不作限定。
图6为本申请实施例提供的一种图像中水印的检测装置的结构示意图。该装置基本原理及产生的技术效果与前述对应的方法实施例相同，为简要描述，本实施例中未提及部分，可参考方法实施例中的相应内容。如图6所示，该装置包括：提取模块110、第一确定模块120及第二确定模块130。
提取模块110，用于采用预设的特征提取层，提取待检测图像的特征图；第一确定模块120，用于根据预设锚框和区域推荐网络，在特征图中确定预设数量的候选检测区域，其中，预设锚框根据第一样本图像训练获取，第一样本图像中包含标记的水印区域；第二确定模块130，用于根据水印检测算法和预设数量的候选检测区域，确定待检测图像中是否包括水印区域。
可选地，上述第二确定模块130，具体用于根据水印检测算法，检测预设数量的候选检测区域中是否包括水印区域；若候选检测区域中包括水印区域，则获取水印区域的位置。
可选地，上述第二确定模块130，还用于若待检测图像中包括水印区域，采用预设水印检测模型，确定待检测图像中所述水印的类别，其中，水印检测模型由第二样本图像训练获取，第二样本图像包含水印区域且标记有水印的类别。
可选地，上述第二确定模块130，具体用于采用预设的特征图尺寸调节算法对预设数量的候选检测区域的特征图进行处理，获取预设数量、相同尺寸的待检测区域的特征图；根据水印检测算法和预设数量的待检测区域的特征图，确定待检测图像中是否包括水印区域。
可选地，待检测图像包括水印区域，上述第二确定模块130，具体用于根据预设的非极大值抑制算法和预设数量、相同尺寸的待检测区域的特征图，确定待检测图像中的水印区域。
图7为本申请实施例提供的另一种图像中水印的检测装置的结构示意图。可选地，如图7所示，上述装置包括：第一获取模块140和第一训练获取模块150；第一获取模块140，用于获取第一训练样本，第一训练样本包括：第一样本图像，第一样本图像中包含标记的水印区域；第一训练获取模块150，用于根据预设的第一全连接网络和预设的回归损失函数，训练获取水印检测算法。
图8为本申请实施例提供的又一种图像中水印的检测装置的结构示意图。可选地，如图8所示，上述装置包括：第二获取模块160和第二训练获取模块170；第二获取模块160，用于获取第二训练样本，第二训练样本包括：第二样本图像，第二样本图像包含水印区域且标记有水印的类别；第二训练获取模块170，用于根据预设的第二全连接网络和预设的分类损失函数，训练获取水印检测模型。
图9为本申请实施例提供的另一种图像中水印的检测装置的结构示意图。可选地，如图9所示，上述装置还包括：第三获取模块180和第三确定模块190；第三获取模块180，用于获取第一样本图像中包含标记的水印区域的形状和尺寸；第三确定模块190，用于根据第一样本图像中包含标记的水印区域的形状和尺寸，确定预设锚框的形状和尺寸。上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图10为本申请实施例提供的一种电子设备结构示意图。如图10所示，该电子设备可以包括：处理器210、存储介质220和总线230，存储介质220存储有处理器210可执行的机器可读指令，当电子设备运行时，处理器210与存储介质220之间通过总线230通信，处理器210执行机器可读指令，以执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (11)
1.一种图像中水印的检测方法，其特征在于，包括：
采用预设的特征提取层，提取待检测图像的特征图；
根据预设锚框和区域推荐网络，在所述特征图中确定预设数量的候选检测区域，其中，所述预设锚框根据第一样本图像训练获取，所述第一样本图像中包含标记的水印区域；
根据水印检测算法和所述预设数量的候选检测区域，确定所述待检测图像中是否包括水印区域。
2.根据权利要求1所述的方法，其特征在于，所述根据水印检测算法和所述预设数量的候选检测区域，确定所述待检测图像中是否包括水印区域，包括：
根据水印检测算法，检测所述预设数量的候选检测区域中是否包括水印区域；
若所述候选检测区域中包括水印区域，则获取所述水印区域的位置。
3.根据权利要求1或2所述的方法，其特征在于，所述根据水印检测算法和所述预设数量的候选检测区域，确定所述待检测图像中是否包括水印区域之后，所述方法还包括：
若所述待检测图像中包括水印区域，采用预设水印检测模型，确定所述待检测图像中所述水印的类别，其中，所述水印检测模型由第二样本图像训练获取，所述第二样本图像包含水印区域且标记有水印的类别。
4.根据权利要求1所述的方法，其特征在于，所述根据水印检测算法和所述预设数量的候选检测区域，确定所述待检测图像中是否包括水印区域，包括：
采用预设的特征图尺寸调节算法对所述预设数量的候选检测区域的特征图进行处理，获取预设数量、相同尺寸的待检测区域的特征图；
根据所述水印检测算法和所述预设数量的待检测区域的特征图，确定所述待检测图像中是否包括水印区域。
5.根据权利要求3所述的方法，其特征在于，所述待检测图像包括水印区域，所述根据水印检测算法和所述预设数量的待检测区域的特征图，确定所述待检测图像中的水印区域，包括：
根据预设的非极大值抑制算法和预设数量、相同尺寸的所述待检测区域的特征图，确定所述待检测图像中的水印区域。
6.根据权利要求1所述的方法，其特征在于，包括：
获取第一训练样本，所述第一训练样本包括：第一样本图像，所述第一样本图像中包含标记的水印区域；
根据预设的第一全连接网络和预设的回归损失函数，训练获取所述水印检测算法。
7.根据权利要求3所述的方法，其特征在于，包括：
获取第二训练样本，所述第二训练样本包括：第二样本图像，所述第二样本图像包含水印区域且标记有水印的类别；
根据预设的第二全连接网络和预设的分类损失函数，训练获取所述水印检测模型。
8.根据权利要求1或5所述的方法，其特征在于，所述方法还包括：
获取所述第一样本图像中包含标记的水印区域的形状和尺寸；
根据所述第一样本图像中包含标记的水印区域的形状和尺寸，确定所述预设锚框的形状和尺寸。
9.一种图像中水印的检测装置，其特征在于，包括：提取模块、第一确定模块及第二确定模块；
所述提取模块，用于采用预设的特征提取层，提取待检测图像的特征图；
所述第一确定模块，用于根据预设锚框和区域推荐网络，在所述特征图中确定预设数量的候选检测区域，其中，所述预设锚框根据第一样本图像训练获取，所述第一样本图像中包含标记的水印区域；
所述第二确定模块，用于根据水印检测算法和所述预设数量的候选检测区域，确定所述待检测图像中是否包括水印区域。
10.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-8任一所述图像中水印的检测方法的步骤。
11.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-8任一所述图像中水印的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910737381.4A CN110428357A (zh) | 2019-08-09 | 2019-08-09 | 图像中水印的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910737381.4A CN110428357A (zh) | 2019-08-09 | 2019-08-09 | 图像中水印的检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110428357A true CN110428357A (zh) | 2019-11-08 |
Family
ID=68414017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910737381.4A Pending CN110428357A (zh) | 2019-08-09 | 2019-08-09 | 图像中水印的检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110428357A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062854A (zh) * | 2019-12-26 | 2020-04-24 | Oppo广东移动通信有限公司 | 检测水印的方法、装置、终端及存储介质 |
| CN111062903A (zh) * | 2019-12-06 | 2020-04-24 | 携程计算机技术（上海）有限公司 | 图像水印的自动处理方法、系统、电子设备及存储介质 |
| CN111191591A (zh) * | 2019-12-30 | 2020-05-22 | 广州市百果园网络科技有限公司 | 一种水印检测、视频处理方法和相关设备 |
| CN111476090A (zh) * | 2020-03-04 | 2020-07-31 | 百度在线网络技术（北京）有限公司 | 水印识别方法和装置 |
| CN111626912A (zh) * | 2020-04-09 | 2020-09-04 | 智者四海（北京）技术有限公司 | 水印去除方法及装置 |
| CN112183294A (zh) * | 2020-09-23 | 2021-01-05 | 广州虎牙科技有限公司 | 文本消除方法、装置、电子设备及存储介质 |
| CN112733747A (zh) * | 2021-01-14 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种缓解阀拉杆脱落故障的识别方法、系统及装置 |
| WO2021103643A1 (zh) * | 2019-11-29 | 2021-06-03 | 百果园技术(新加坡)有限公司 | 视频水印去除方法和装置、视频数据发布方法和装置、设备及存储介质 |
| TWI778893B (zh) * | 2020-12-17 | 2022-09-21 | 香港商墨子國際有限公司 | 用於領域特定類神經網路刪減之系統及方法 |
| CN117034219A (zh) * | 2022-09-09 | 2023-11-10 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005117154A (ja) * | 2003-10-03 | 2005-04-28 | Canon Inc | 電子透かし埋め込み方法、電子透かし埋め込み装置、電子透かし抽出方法、電子透かし抽出装置、上記各方法を実行可能なコンピュータプログラム、及びこれを記憶した記憶媒体 |
| CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
| CN108875577A (zh) * | 2018-05-11 | 2018-11-23 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
| CN109285105A (zh) * | 2018-09-05 | 2019-01-29 | 北京字节跳动网络技术有限公司 | 水印检测方法、装置、计算机设备和存储介质 |
| CN109635844A (zh) * | 2018-11-14 | 2019-04-16 | 网易传媒科技（北京）有限公司 | 训练分类器的方法及装置和水印检测方法及装置 |
| CN109741232A (zh) * | 2018-12-29 | 2019-05-10 | 微梦创科网络科技（中国）有限公司 | 一种图像水印检测方法、装置及电子设备 |
| CN109784181A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技（深圳）有限公司 | 图片水印识别方法、装置、设备及计算机可读存储介质 |
| CN110084175A (zh) * | 2019-04-23 | 2019-08-02 | 普联技术有限公司 | 一种目标检测方法、目标检测装置及电子设备 |
-
2019
- 2019-08-09 CN CN201910737381.4A patent/CN110428357A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005117154A (ja) * | 2003-10-03 | 2005-04-28 | Canon Inc | 電子透かし埋め込み方法、電子透かし埋め込み装置、電子透かし抽出方法、電子透かし抽出装置、上記各方法を実行可能なコンピュータプログラム、及びこれを記憶した記憶媒体 |
| CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
| CN108875577A (zh) * | 2018-05-11 | 2018-11-23 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
| CN109285105A (zh) * | 2018-09-05 | 2019-01-29 | 北京字节跳动网络技术有限公司 | 水印检测方法、装置、计算机设备和存储介质 |
| CN109635844A (zh) * | 2018-11-14 | 2019-04-16 | 网易传媒科技（北京）有限公司 | 训练分类器的方法及装置和水印检测方法及装置 |
| CN109784181A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技（深圳）有限公司 | 图片水印识别方法、装置、设备及计算机可读存储介质 |
| CN109741232A (zh) * | 2018-12-29 | 2019-05-10 | 微梦创科网络科技（中国）有限公司 | 一种图像水印检测方法、装置及电子设备 |
| CN110084175A (zh) * | 2019-04-23 | 2019-08-02 | 普联技术有限公司 | 一种目标检测方法、目标检测装置及电子设备 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021103643A1 (zh) * | 2019-11-29 | 2021-06-03 | 百果园技术(新加坡)有限公司 | 视频水印去除方法和装置、视频数据发布方法和装置、设备及存储介质 |
| CN111062903A (zh) * | 2019-12-06 | 2020-04-24 | 携程计算机技术（上海）有限公司 | 图像水印的自动处理方法、系统、电子设备及存储介质 |
| CN111062854B (zh) * | 2019-12-26 | 2023-08-25 | Oppo广东移动通信有限公司 | 检测水印的方法、装置、终端及存储介质 |
| WO2021129466A1 (zh) * | 2019-12-26 | 2021-07-01 | Oppo广东移动通信有限公司 | 检测水印的方法、装置、终端及存储介质 |
| CN111062854A (zh) * | 2019-12-26 | 2020-04-24 | Oppo广东移动通信有限公司 | 检测水印的方法、装置、终端及存储介质 |
| CN111191591A (zh) * | 2019-12-30 | 2020-05-22 | 广州市百果园网络科技有限公司 | 一种水印检测、视频处理方法和相关设备 |
| CN111476090B (zh) * | 2020-03-04 | 2023-04-07 | 百度在线网络技术（北京）有限公司 | 水印识别方法和装置 |
| CN111476090A (zh) * | 2020-03-04 | 2020-07-31 | 百度在线网络技术（北京）有限公司 | 水印识别方法和装置 |
| CN111626912A (zh) * | 2020-04-09 | 2020-09-04 | 智者四海（北京）技术有限公司 | 水印去除方法及装置 |
| CN112183294A (zh) * | 2020-09-23 | 2021-01-05 | 广州虎牙科技有限公司 | 文本消除方法、装置、电子设备及存储介质 |
| TWI778893B (zh) * | 2020-12-17 | 2022-09-21 | 香港商墨子國際有限公司 | 用於領域特定類神經網路刪減之系統及方法 |
| TWI805476B (zh) * | 2020-12-17 | 2023-06-11 | 香港商墨子國際有限公司 | 用於領域特定類神經網路刪減之系統及方法 |
| CN112733747A (zh) * | 2021-01-14 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种缓解阀拉杆脱落故障的识别方法、系统及装置 |
| CN117034219A (zh) * | 2022-09-09 | 2023-11-10 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
| CN117034219B (zh) * | 2022-09-09 | 2024-07-19 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428357A (zh) | 图像中水印的检测方法、装置、电子设备及存储介质 | |
| Xiao et al. | Image splicing forgery detection combining coarse to refined convolutional neural network and adaptive clustering | |
| Adibhatla et al. | Applying deep learning to defect detection in printed circuit boards via a newest model of you-only-look-once | |
| Qi et al. | Pointnet++: Deep hierarchical feature learning on point sets in a metric space | |
| JP6802331B2 (ja) | 車線処理方法及び装置 | |
| Lee et al. | Semantic line detection and its applications | |
| CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
| CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
| CN106503656A (zh) | 一种图像分类方法、装置和计算设备 | |
| CN109543674B (zh) | 一种基于生成对抗网络的图像拷贝检测方法 | |
| CN112836668A (zh) | 一种船舶目标检测方法、终端设备及存储介质 | |
| CN111626295B (zh) | 车牌检测模型的训练方法和装置 | |
| CN111310746B (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
| CN113129335B (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
| CN106796647A (zh) | 场景文本检测系统和方法 | |
| CN110443159A (zh) | 数字识别方法、装置、电子设备及存储介质 | |
| CN112115805B (zh) | 带双模态难挖掘三元-中心损失的行人重识别方法及系统 | |
| CN111598065A (zh) | 深度图像获取方法及活体识别方法、设备、电路和介质 | |
| CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
| CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN110472640B (zh) | 一种目标检测模型预测框处理方法及装置 | |
| KR101093107B1 (ko) | 영상정보 분류방법 및 장치 | |
| CN113887455B (zh) | 一种基于改进fcos的人脸口罩检测系统及方法 | |
| CN114998610A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| Mehltretter et al. | Aleatoric uncertainty estimation for dense stereo matching via CNN-based cost volume analysis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |