CN111222434A - 基于局部二值模式和深度学习的合成人脸图像取证方法 - Google Patents

基于局部二值模式和深度学习的合成人脸图像取证方法 Download PDF

Info

Publication number
CN111222434A
CN111222434A CN201911396339.7A CN201911396339A CN111222434A CN 111222434 A CN111222434 A CN 111222434A CN 201911396339 A CN201911396339 A CN 201911396339A CN 111222434 A CN111222434 A CN 111222434A
Authority
CN
China
Prior art keywords
face image
training
face
neural network
model
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
Application number
CN201911396339.7A
Other languages
English (en)
Inventor
梁丕树
夏群兵
杨高波
熊小芳
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.)
Shenzhen Aixiesheng Technology Co Ltd
Original Assignee
Shenzhen Aixiesheng Technology Co Ltd
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 Shenzhen Aixiesheng Technology Co Ltd filed Critical Shenzhen Aixiesheng Technology Co Ltd
Priority to CN201911396339.7A priority Critical patent/CN111222434A/zh
Priority to PCT/CN2020/076553 priority patent/WO2021134871A1/zh
Publication of CN111222434A publication Critical patent/CN111222434A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于局部二值模式和深度学习的合成人脸图像取证方法，采集真实人脸图像和合成人脸图像并且进行标注，创建人脸图像取证样本图库，并将图像库划分成训练集，验证集，测试集三个部分；根据提取的人脸图像的局部二值模式LBP特征确定LBP算子模式及采样半径；构建人脸取证卷积神经网络模型、及设置卷积神经网络训练超参数，模型包括人脸图像特征提取模块和特征分类模块，根据分类模块中的逻辑回归得到评价分数，根据损失函数及数据标签与评价分数更新特征提取模块中的网络参数；通过训练集和测试集训练神经网络获得训练模型，所述训练模型检测输入人脸图像是真实自然人脸还是合成人脸。本发明能快速高效的检测现阶段常见的合成人脸图像。

Description

基于局部二值模式和深度学习的合成人脸图像取证方法
技术领域
本发明属于机器学习和图像取证技术领域，具体涉及一种基于局部二值模式和深度学习的合成人脸图像取证方法。
背景技术
近年来，计算机视觉技术，深度学习技术的快速发展使得人脸图像的编辑和合成变得越来越容易，在丰富人们娱乐生活的同时，媒体上充斥着的大量虚假合成人脸也给公众带来了信任危机。一旦虚假的人脸图像被恶意使用，如制造假新闻误导公众，利用合成人脸进行身份识别，或在法庭上作为伪证，歪曲事实等，会导致严重的后果。然而现在合成技术的进步使得合成图像越来越逼真，人们依赖肉眼已经无法准确判断一张图像的真伪了。因此自动识别人脸图像的真伪模型的研究受到了研究人员的关注。
尽管目前一些研究人员针对某种特定技术的合成人脸，提出了一些解决方案，比如对于Face2Face人脸合成技术，一些研究人员提出小波变换统计矩特征或是SRM残差特征来描述自然真实图像和合成图像之间的差异，但是检测结果不太稳定，且在多媒体中图像常以压缩后形式传输，对于压缩后的图像，基于这些特征方案的检测性能下降明显；又如对于现在流行的GAN人脸生成技术，研究人员利用真实自然人脸和生成人脸在RGB、HSV、YCbCr三种颜色空间上的颜色不匹配特点，提取共生矩阵作为特征来区分这两种人脸，或者利用一些目标识别神经网络像Resnet,Xception等来区分真实人脸和虚假人脸。但是这些方法中传统图像统计矩特征只能针对特定图像合成技术手段生成的图像进行检测，一般的神经网络模型庞大，网络结构复杂，训练难度大且训练时间长。这些方法都难以满足合成人脸取证所需的通用性及高效性特点。因此寻找一种简单，高效，准确，通用的合成人脸取证模型具有重要的现实意义。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于局部二值模式和深度学习的合成人脸图像取证方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于局部二值模式和深度学习的合成人脸图像取证方法，该方法为：
采集真实人脸图像和合成人脸图像并且进行标注，创建人脸图像取证样本图库，并将图像库划分成训练集，验证集，测试集三个部分；
根据提取的人脸图像的局部二值模式LBP特征确定LBP算子模式及采样半径；
构建人脸取证卷积神经网络模型、及设置卷积神经网络训练超参数，模型包括人脸图像特征提取模块和特征分类模块，根据分类模块中的逻辑回归得到评价分数，根据损失函数及数据标签与评价分数更新特征提取模块中的网络参数；
通过训练集和测试集训练神经网络获得训练模型，通过所述训练模型检测输入人脸图像是真实自然人脸还是合成人脸。
上述方案中，所述将图库划分成训练集，验证集，测试集三个部分，具体为：将图像数据集分成两部分，一部分作为测试样本集，另一部分作为图像数据库；从所述图像数据库中取出一部分作为训练样本集，一部分为验证集；每个样本均包括一张图像及对应的类别标签。
上述方案中，所述根据提取的人脸图像的局部二值模式LBP特征确定LBP 算子模式及采样半径，具体为：所述LBP算子采用均值模式的LBP，采样半径为1，即在该像素点3×3邻域内的8个点可产生8bit的无符号数，即得到该点的LBP值，并用这个值来反映该区域的纹理信息。
上述方案中，所述构建人脸取证卷积神经网络模型，具体为：所述神经网络由卷积层、池化层、全连接层组成；所述卷积层由3×3卷积核，深度可分离卷积结构depthwiseseparable convolution，以及1×1卷积核构成，所述卷积层采用激活函数为ReLu函数，所述池化采用最大池化。
上述方案中，所述人脸取证卷积神经网络模型中，网络参数w，偏置b，激活函数为ReLU，则通过网络的人脸图像的评价分数S：
S＝σ(wT*s+b) (3)
σ(x)＝max(0,x) (4)
其中，s为每层隐含层入的特征向量，σ(x)为ReLU激活函数。
上述方案中，所述卷积神经网络采用为交叉熵损失函数为网络损失函数来估计目标图像预测值
Figure BDA0002346420590000031
和其标签T的偏差；
Figure BDA0002346420590000032
单次训练结束后根据损失函数，利用随机梯度下降算法SGD更新神经网络的参数。
上述方案中，所述通过训练集和测试集训练神经网络获得训练模型，具体为：训练模型时，将训练集图像进行LBP算子处理，得到的LBP图谱分批送入网络，进行前向传播，然后将经过该网络计算后得到的损失用反向传播算法调整网络权重，学习卷积网络参数，迭代一定次数后得到训练模型。
与现有技术相比，本发明对输入图像先进行LBP特征提取，减小送入神经网络的特征维度，并构建一种轻量级的卷积神经网络，减小网络训练复杂度。本发明提供了一种通用的合成人脸取证方法，能快速高效的检测现阶段常见的合成人脸图像。
附图说明
图1为本发明整体流程示意图；
图2为本发明人脸LBP图谱示意图；
图3为卷积神经网络模型示意图；
图4为训练过程损失值示意图；
图5为各种不同合成人脸在训练模型下测试结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于局部二值模式和深度学习的合成人脸图像取证方法，如图1-5所示，该方法通过以下步骤实现：
S1：收集并划分数据集
具体地，本发明实施采用的真实自然人脸图像数据集为公开的CelebA-HQ 高清人脸数据集，该数据集包含拥有超过200K名人图像，我们随机选取了10000 张用于构建真实人脸数据集。合成人脸图像数据采用了多种技术生成人脸，具体的，分别利用公开的训练好的StarGAN,PGGAN，StyleGAN等图像生成模型各生成10000张合成虚假人脸，另外合成人脸数据集还包含计算机图形学技术 Face2Face生成的人脸，该合成人脸源于公开的FaceForensics数据集，我们随机选取了10000张作为Face2Face合成人脸图像库。将所有的图像大小统一为256×256。
总体上真实人脸图像数据集包含10000张名人图像，为正样本。
合成人脸图像数据集包含基于4类技术的虚假人脸，StarGAN，PGGAN， StyleGAN，和Face2Face，每类合成人脸各10000张，共40000张合成人脸，为负样本。
具体实施时，数据集以8:1:1比例划分，8/10作为训练集，1/10作为验证集，余下1/10作为测试集。
S2：提取人脸图像的局部二值模式LBP特征
具体地，本发明实施采用的采样半径为1，即p＝8，表示在计算某个像素 LBP值的时候，会用到邻域的8个像素，并且最后得到的LBP值也会编码为8 比特的整数值。这样产生的LBP码有256种，采用LBP等价模式后，LBP码由原始的256种减少为59种，特征向量的维数更少。实施时直接调用python语言skimage库中的local_binary_pattern函数将人脸图像转化为二进制图谱，附图2给出了提取的LBP图谱示例。
采用的LBP是一种有效的纹理描述算子，度量和提取图像局部的纹理信息，对光照具有不变性，在图像分析，人脸识别等领域表现十分优异；LBP算子由它和它邻域像素值比较得出
Figure BDA0002346420590000051
Figure BDA0002346420590000052
其中，(hc,vc)为中心像素的坐标，p为邻域的第p个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，u(x)为符号函数。对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2^P种模式。
在实际图像中，绝大多数LBP模式的二进制码最多只包含两次从1到0或从0到1的跳变。本发明采用等价模式的LBP来对原始LBP算子的模式种类进行降维。“等价模式”指如果某个LBP所对应的循环二进制数从0到1或从1 到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如 00000000(0次跳变)，00000111(只含一次从0到1的跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类。这种模式的二进制码种类大大减少，而不会丢失任何信息。模式二进制码数量由原来的2P种减少为P(P-1)+2种，其中P表示邻域集内的采样点数。
S3：构建人脸取证卷积神经网络模型
具体地，人脸取证卷积神经网络模型中，网络参数w，偏置b，激活函数为 ReLU，则通过网络的人脸图像的评价分数S：
S＝σ(wT*s+b) (3)
σ(x)＝max(0,x) (4)
其中，s为每层隐含层入的特征向量，σ(x)为ReLU激活函数。
附图3为构建的卷积网络模型，可以看到模型包含主干上有两个普通的卷积层，四个深度可分离的卷积层，前三个深度可分离的卷积层后面均连接着一个最大池化层，最后一个深度可分离的卷积层后面连接着一个全局平均池化层，另外还有一个全连接层。主干上卷积核尺寸和最大池化层尺寸均为3×3，每个卷积层后进行批归一化BatchNorm操作，输出归一化为N(0,1)的高斯分布，提高模型的鲁棒性，加快网络的收敛速度。并且利用ReLU激活函数进行非线性映射。
另外支干上有三个1×1卷积层；其中卷积层特征图数量依次为16，32， 64，128，256。网络最后用一个Dense层将提取到的256维向量映射为2个分数值，模型最终的结果将判为分数值高的那一类。模型各层结构配置分别如表 1所示。
在本发明目的是构建一个轻量级的神经网络来提取特征和分类，构建的模型中采用深度可分离卷积depthwise separable convolution可大量减少网络参数，缩短训练时间，同时在网络主干旁边使用1×1卷积核直接将低层提取的特征传输到深层。该设计增强了特征的复用，训练时误差信号可以更直接地传输到浅层，从而加快了网络的收敛速度。
S4：设置网络的训练的超参数
具体地，采用Cross Entropy Loss作为损失函数，随机梯度下降算法SGD 更新神经网络的参数，学习率Learning_Rate为0.001，Batch_Size设为16，训练40个周期。
S5：训练神经网络模型
具体地，利用安装在Ubuntu系统上的pytorch环境训练CNN模型。训练模型时，将训练图像分批送入网络，进行前向传播，然后将经过该网络计算后得到的损失用反向传播算法调整网络权重，学习卷积网络参数，迭代一定次数后得到训练后的合成人脸取证模型。本实例对四种不同类型的合成人脸训练的损失值如附图4所示。将训练好的模型保存，之后可以直接加载检测输入人脸图像是真实自然人脸还是合成人脸。
S6：评估训练模型对各种合成人脸的检测性能
评估模型性能时，先将真实自然人脸和四种合成人脸图像进行LBP处理，形成LBP图谱，然后分别以1：1比例送入训练好的模型中，来验证模型对于各种合成人脸图像的检测性能。性能的评估采用检测准确率和模型参数量两个参数，性能评估结果图如附图5。
表1
Layer Configuration Output(Channels,Rows,Cols)
CONV1 c＝16,k＝3,s＝2,p＝0 (16,127,127)
CONV2 c＝32,k＝3,s＝2,p＝0 (32,63,63)
1*1CONV1 c＝64,k＝1,s＝2,p＝1 (64,32,32)
Depthwise CONV1 c＝32,k＝3,s＝1,p＝1 (32,63,63)
Pointwise CONV1 c＝64,k＝1,s＝1,p＝0 (64,63,63)
Maxpool1 k＝3,s＝2,p＝1 (64,32,32)
1*1CONV2 c＝128,k＝1,s＝4,p＝0 (128,16,16)
Depthwise CONV2 c＝64,k＝3,s＝1,p＝1 (64,32,32)
Pointwise CONV2 c＝128,k＝1,s＝1,p＝0 (128,32,32)
Maxpool2 k＝3,s＝2,p＝1 (128,16,16)
1*1CONV3 c＝256,k＝1,s＝8,p＝1 (256,8,8)
Depthwise CONV3 c＝128,k＝3,s＝1,p＝1 (128,16,16)
Pointwise CONV3 c＝256,k＝1,s＝1,p＝0 (256,16,16)
Maxpool3 k＝3,s＝2,p＝1 (256,8,8)
Depthwise CONV4 c＝256,k＝3,s＝1,p＝1 (256,8,8)
Pointwise CONV4 c＝512,k＝1,s＝1,p＝0 (256,8,8)
Global Averagepool (1,1) (512,1,1)
Dense L＝2 (2,1,1)
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.一种基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于，该方法为：
采集真实人脸图像和合成人脸图像并且进行标注，创建人脸图像取证样本图库，并将图像库划分成训练集，验证集，测试集三个部分；
根据提取的人脸图像的局部二值模式LBP特征确定LBP算子模式及采样半径；
构建人脸取证卷积神经网络模型、及设置卷积神经网络训练超参数，模型包括人脸图像特征提取模块和特征分类模块，根据分类模块中的逻辑回归得到评价分数，根据损失函数及数据标签与评价分数更新特征提取模块中的网络参数；
通过训练集和测试集训练神经网络获得训练模型，通过所述训练模型检测输入人脸图像是真实自然人脸还是合成人脸。
2.根据权利要求1所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述将图库划分成训练集，验证集，测试集三个部分，具体为：将图像数据集分成两部分，一部分作为测试样本集，另一部分作为图像数据库；从所述图像数据库中取出一部分作为训练样本集，一部分为验证集；每个样本均包括一张图像及对应的类别标签。
3.根据权利要求1或2所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述根据提取的人脸图像的局部二值模式LBP特征确定LBP算子模式及采样半径，具体为：所述LBP算子采用均值模式的LBP，采样半径为1，即在该像素点3×3邻域内的8个点可产生8bit的无符号数，即得到该点的LBP值，并用这个值来反映该区域的纹理信息。
4.根据权利要求3所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述构建人脸取证卷积神经网络模型，具体为：所述神经网络由卷积层、池化层、全连接层组成；所述卷积层由3×3卷积核，深度可分离卷积结构depthwise separableconvolution，以及1×1卷积核构成，所述卷积层采用激活函数为ReLu函数，所述池化采用最大池化。
5.根据权利要求4所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述人脸取证卷积神经网络模型中，网络参数w，偏置b，激活函数为ReLU，则通过网络的人脸图像的评价分数S：
S＝σ(wT*s+b)
(3)
σ(x)＝max(0,x)
(4)
其中，s为每层隐含层入的特征向量，σ(x)为ReLU激活函数。
6.根据权利要求5所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述卷积神经网络采用为交叉熵损失函数为网络损失函数来估计目标图像预测值
Figure FDA0002346420580000021
和其标签T的偏差；
Figure FDA0002346420580000022
单次训练结束后根据损失函数，利用随机梯度下降算法SGD更新神经网络的参数。
7.根据权利要求6所述的基于局部二值模式和深度学习的合成人脸图像取证方法，其特征在于：所述通过训练集和测试集训练神经网络获得训练模型，具体为：训练模型时，将训练集图像进行LBP算子处理，得到的LBP图谱分批送入网络，进行前向传播，然后将经过该网络计算后得到的损失用反向传播算法调整网络权重，学习卷积网络参数，迭代一定次数后得到训练模型。
CN201911396339.7A 2019-12-30 2019-12-30 基于局部二值模式和深度学习的合成人脸图像取证方法 Pending CN111222434A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911396339.7A CN111222434A (zh) 2019-12-30 2019-12-30 基于局部二值模式和深度学习的合成人脸图像取证方法
PCT/CN2020/076553 WO2021134871A1 (zh) 2019-12-30 2020-02-25 基于局部二值模式和深度学习的合成人脸图像取证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911396339.7A CN111222434A (zh) 2019-12-30 2019-12-30 基于局部二值模式和深度学习的合成人脸图像取证方法

Publications (1)

Publication Number Publication Date
CN111222434A true CN111222434A (zh) 2020-06-02

Family

ID=70829218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911396339.7A Pending CN111222434A (zh) 2019-12-30 2019-12-30 基于局部二值模式和深度学习的合成人脸图像取证方法

Country Status (2)

Country Link
CN (1) CN111222434A (zh)
WO (1) WO2021134871A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862030A (zh) * 2020-07-15 2020-10-30 北京百度网讯科技有限公司 一种人脸合成图检测方法、装置、电子设备及存储介质
CN112101328A (zh) * 2020-11-19 2020-12-18 四川新网银行股份有限公司 一种深度学习中识别并处理标签噪声的方法
CN112150497A (zh) * 2020-10-14 2020-12-29 浙江大学 基于二值神经网络的局部激活方法与系统
CN112163511A (zh) * 2020-09-25 2021-01-01 天津大学 一种图像真伪鉴别方法
CN112580507A (zh) * 2020-12-18 2021-03-30 合肥高维数据技术有限公司 一种基于图像矩矫正的深度学习文本字符检测方法
CN113807237A (zh) * 2021-09-15 2021-12-17 河南星环众志信息科技有限公司 活体检测模型的训练、活体检测方法、计算机设备及介质
CN114463601A (zh) * 2022-04-12 2022-05-10 北京云恒科技研究院有限公司 一种基于大数据的目标识别的数据处理系统

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569667B (zh) * 2021-07-09 2024-03-08 武汉理工大学 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN113763327B (zh) * 2021-08-10 2023-11-24 上海电力大学 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法
CN113705397A (zh) * 2021-08-16 2021-11-26 南京信息工程大学 基于双流cnn结构融合prnu的gan生成人脸检测方法
CN113705580B (zh) * 2021-08-31 2024-05-14 西安电子科技大学 基于深度迁移学习的高光谱图像分类方法
CN113792482B (zh) * 2021-09-06 2023-10-20 浙江大学 一种用于模拟生物膜在多孔介质中生长的方法
CN113762205A (zh) * 2021-09-17 2021-12-07 深圳市爱协生科技有限公司 人脸图像操作痕迹检测方法、计算机设备及可读存储介质
CN114169385B (zh) * 2021-09-28 2024-04-09 北京工业大学 基于混合数据增强的mswi过程燃烧状态识别方法
CN113936312B (zh) * 2021-10-12 2024-06-07 南京视察者智能科技有限公司 一种基于深度学习图卷积网络的人脸识别底库筛选方法
CN113947642B (zh) * 2021-10-18 2024-06-04 北京航空航天大学 一种x空间磁粒子成像解卷积方法
CN114220145A (zh) * 2021-11-29 2022-03-22 厦门市美亚柏科信息股份有限公司 人脸检测模型生成方法和装置、伪造人脸检测方法和装置
CN114267069B (zh) * 2021-12-25 2024-07-02 福州大学 基于数据泛化与特征增强的人脸检测方法
CN114495213A (zh) * 2022-01-11 2022-05-13 南京邮电大学 基于人脸视频的心率估计方法及装置
CN114550252B (zh) * 2022-02-18 2024-07-12 北京工业大学 一种基于注意力机制的人脸识别方法
CN114563203B (zh) * 2022-03-11 2023-08-15 中国煤炭科工集团太原研究院有限公司 一种模拟井下低能见度环境的方法
CN114694220B (zh) * 2022-03-25 2024-06-21 上海大学 一种基于Swin Transformer的双流人脸伪造检测方法
CN114786057A (zh) * 2022-03-29 2022-07-22 广州埋堆堆科技有限公司 一种基于深度学习及表情包数据集的视频弹幕生成系统
CN114742774A (zh) * 2022-03-30 2022-07-12 福州大学 融合局部和全局特征的无参考图像质量评价方法及系统
CN114663986B (zh) * 2022-03-31 2023-06-20 华南理工大学 一种基于双解耦生成和半监督学习的活体检测方法及系统
CN115050065B (zh) * 2022-04-26 2024-05-31 杭州海马体摄影有限公司 一种基于曲线的皮肤滤镜建模方法
CN114783034B (zh) * 2022-05-12 2024-07-02 东南大学 基于局部敏感特征与全局特征融合的人脸表情识别方法
CN114863536B (zh) * 2022-05-25 2024-05-24 中新国际联合研究院 一种基于复合特征空间的生成人脸检测方法
CN115588166B (zh) * 2022-11-10 2023-02-17 新乡市诚德能源科技装备有限公司 一种防泄漏船用lng燃料罐
CN115690747B (zh) * 2022-12-30 2023-03-21 天津所托瑞安汽车科技有限公司 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN116628660B (zh) * 2023-05-26 2024-01-30 杭州电子科技大学 基于深度神经网络编码的个人化人脸生物密钥生成方法
CN117474741B (zh) * 2023-11-22 2024-05-07 齐鲁工业大学(山东省科学院) 一种基于人脸关键点水印的主动防御检测方法
CN117611923A (zh) * 2024-01-08 2024-02-27 北京锐融天下科技股份有限公司 一种身份证件真伪识别方法及系统
CN118135641A (zh) * 2024-05-07 2024-06-04 齐鲁工业大学(山东省科学院) 基于局部伪造区域检测的人脸伪造检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927531A (zh) * 2014-05-13 2014-07-16 江苏科技大学 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法
CN104376311A (zh) * 2014-12-08 2015-02-25 广西大学 一种基于核贝叶斯压缩感知的人脸识别方法
CN107122744A (zh) * 2017-04-28 2017-09-01 武汉神目信息技术有限公司 一种基于人脸识别的活体检测系统及方法
CN107967463A (zh) * 2017-12-12 2018-04-27 武汉科技大学 一种基于合成图像和深度学习的虚拟人脸识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529447B (zh) * 2016-11-03 2020-01-21 河北工业大学 一种小样本人脸识别方法
CN108427921A (zh) * 2018-02-28 2018-08-21 辽宁科技大学 一种基于卷积神经网络的人脸识别方法
CN108985200A (zh) * 2018-07-02 2018-12-11 中国科学院半导体研究所 一种基于终端设备的非配合式的活体检测算法
CN110414437A (zh) * 2019-07-30 2019-11-05 上海交通大学 基于卷积神经网络模型融合篡改人脸检测分析方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927531A (zh) * 2014-05-13 2014-07-16 江苏科技大学 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法
CN104376311A (zh) * 2014-12-08 2015-02-25 广西大学 一种基于核贝叶斯压缩感知的人脸识别方法
CN107122744A (zh) * 2017-04-28 2017-09-01 武汉神目信息技术有限公司 一种基于人脸识别的活体检测系统及方法
CN107967463A (zh) * 2017-12-12 2018-04-27 武汉科技大学 一种基于合成图像和深度学习的虚拟人脸识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FRANCOIS CHOLLET,: "Xception: Deep learning with depthwise", 《ARXIV PREPRINT ARXIV:1610.02357》 *
TARIQ, S.，ET.AL: "Detecting Both Machine and Human Created Fake Face", 《IN PROCEEDINGS OF THE 2ND INTERNATIONAL WORKSHOP ON MULTIMEDIA PRIVACY AND SECURITY》 *
查宇飞，等: "《视频目标跟踪方法》", 31 July 2015, 国防工业出版社 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862030A (zh) * 2020-07-15 2020-10-30 北京百度网讯科技有限公司 一种人脸合成图检测方法、装置、电子设备及存储介质
US11881050B2 (en) 2020-07-15 2024-01-23 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting face synthetic image, electronic device, and storage medium
CN111862030B (zh) * 2020-07-15 2024-02-09 北京百度网讯科技有限公司 一种人脸合成图检测方法、装置、电子设备及存储介质
CN112163511A (zh) * 2020-09-25 2021-01-01 天津大学 一种图像真伪鉴别方法
CN112163511B (zh) * 2020-09-25 2022-03-29 天津大学 一种图像真伪鉴别方法
CN112150497A (zh) * 2020-10-14 2020-12-29 浙江大学 基于二值神经网络的局部激活方法与系统
CN112101328A (zh) * 2020-11-19 2020-12-18 四川新网银行股份有限公司 一种深度学习中识别并处理标签噪声的方法
CN112580507A (zh) * 2020-12-18 2021-03-30 合肥高维数据技术有限公司 一种基于图像矩矫正的深度学习文本字符检测方法
CN112580507B (zh) * 2020-12-18 2024-05-31 合肥高维数据技术有限公司 一种基于图像矩矫正的深度学习文本字符检测方法
CN113807237A (zh) * 2021-09-15 2021-12-17 河南星环众志信息科技有限公司 活体检测模型的训练、活体检测方法、计算机设备及介质
CN114463601A (zh) * 2022-04-12 2022-05-10 北京云恒科技研究院有限公司 一种基于大数据的目标识别的数据处理系统
CN114463601B (zh) * 2022-04-12 2022-08-05 北京云恒科技研究院有限公司 一种基于大数据的目标识别的数据处理系统

Also Published As

Publication number Publication date
WO2021134871A1 (zh) 2021-07-08

Similar Documents

Publication Publication Date Title
CN111222434A (zh) 基于局部二值模式和深度学习的合成人脸图像取证方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN110598029B (zh) 基于注意力转移机制的细粒度图像分类方法
CN111652293B (zh) 一种多任务联合判别学习的车辆重识别方法
CN106709486A (zh) 基于深度卷积神经网络的自动车牌识别方法
CN110909643B (zh) 基于最近邻原型表示的遥感舰船图像小样本分类方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN113642621B (zh) 基于生成对抗网络的零样本图像分类方法
CN114067444A (zh) 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN107085731A (zh) 一种基于rgb‑d融合特征与稀疏编码的图像分类方法
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN111881716A (zh) 一种基于多视角生成对抗网络的行人重识别方法
CN109635726A (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN112364791A (zh) 一种基于生成对抗网络的行人重识别方法和系统
CN112784921A (zh) 任务注意力引导的小样本图像互补学习分类算法
CN116109898A (zh) 基于双向对抗训练与关系度量约束的广义零样本学习方法
CN116087880A (zh) 一种基于深度学习的雷达辐射源信号分选系统
CN115100542A (zh) 基于半监督学习和可变形卷积的输电塔遥感目标检测方法
CN113033345B (zh) 基于公共特征子空间的v2v视频人脸识别方法
CN112232269B (zh) 一种基于孪生网络的船舶身份智能识别方法及系统
CN115937492B (zh) 一种基于特征识别的变电设备红外图像识别方法
CN117011168A (zh) 一种联合DeeplabV3+和LaMa模型的透明光滑物体高光去除方法及系统
CN115329821A (zh) 一种基于配对编码网络和对比学习的舰船噪声识别方法

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: 20200602