CN111222457B - 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 - Google Patents
一种基于深度可分离卷积的鉴别视频真伪性的检测方法 Download PDFInfo
- Publication number
- CN111222457B CN111222457B CN202010008338.7A CN202010008338A CN111222457B CN 111222457 B CN111222457 B CN 111222457B CN 202010008338 A CN202010008338 A CN 202010008338A CN 111222457 B CN111222457 B CN 111222457B
- Authority
- CN
- China
- Prior art keywords
- image
- video
- convolution
- depth separable
- authenticity
- 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
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度可分离卷积的鉴别视频真伪性的检测方法,属于图像处理技术领域。该方法包括获取人脸视频图像并划分为训练集和测试集,构建基于深度可分离卷积的视频真伪性鉴别模型并进行训练,利用训练后的视频真伪性鉴别模型对测试集图像进行预测,输出图像所属视频的真伪分类。本发明采用深度可分离卷积构建的特征提取模块与残差网络、卷积神经网络相结合的架构,构建基于深度可分离卷积的视频真伪性鉴别模型,能够在保证判别准确性不降低的同时有效减小网络体积,降低运行成本提高运行速度,进一步提高视频真伪鉴别方法的实用性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于深度可分离卷积的鉴别视频真伪性的检测方法。
背景技术
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。
而传统的卷积神经网络在卷积层数较少时对图像特征的提取能力较差,难以学习到高维特征信息;在卷积层数较多时,网络体积庞大,训练参数多导致训练速度慢。那么,如何在保证一定准确度的前提下,尽可能降低网络体积,提高网络运行速度,成为真伪性检测问题在实际应用中的一个关键问题。
Xception神经网络显示了一种新的有前景的网络结构,相比于同样深度的卷积神经网络拥有参数少,性能高的特点。然而,整个Xception网络在视频真伪鉴别任务中深度过深,对鉴别的准确性贡献有限。因此,一种用于视频真伪鉴别的基于Xcepiton构建思想的运用深度可分离卷积神经网络的发明就显得很有必要。
发明内容
针对现有真伪性鉴别方法中采用的神经网络使用成本过高,耗时长等问题,本发明提供了一种基于深度可分离卷积的鉴别视频真伪性的检测方法,在保证鉴别视频真伪性准确率的同时降低训练和使用鉴别模型的成本。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于深度可分离卷积的鉴别视频真伪性的检测方法,包括以下步骤:
S1、获取包含真假人脸的视频图像,并划分为训练集和测试集;
S2、构建基于深度可分离卷积的视频真伪性鉴别模型,利用步骤S1中的训练集图像进行模型训练,输出图像真伪概率向量;
S3、利用步骤S2训练后的视频真伪性鉴别模型对步骤S1中的测试集图像进行预测,输出图像所属视频的真伪分类。
进一步地,所述步骤S1中人脸图像通过从视频中连续抽帧获取,并采用人脸对齐方法进行处理。
进一步地,所述步骤S1还包括对视频图像进行预处理,具体为:
首先对视频图像进行大小变换操作,将图像尺寸变换为设定尺寸;再对视频图像进行归一化操作,采用min-max归一化方法将图像的值压缩到0到1之间;最后对视频图像进行标准化操作,将图像的值从0-1之间的值变换到-1到1区间内。
进一步地,所述基于深度可分离卷积的视频真伪性鉴别模型包括第一特征提取模块、第二特征提取模块、特征输出模块和预测模块,所述第一特征提取模块用于提取人脸图像的低层特征信息,所述第二特征提取模块用于对第一特征提取模块提取的特征图进一步提取特征信息,所述特征输出模块用于将第二特征提取模块提取的特征信息通过卷积处理得到高层特征信息,并将特征图转化为高维特征向量,所述预测模块用于对高维特征向量进行处理,得到图像真伪概率向量。
进一步地,所述步骤S2包括以下分步骤:
S2-1、将步骤S1中的训练集图像输入第一特征提取模块中,输出提取的人脸图像的低层特征信息;
S2-2、将步骤S2-1输出的低层特征信息输入基于深度可分离卷积构建的第二特征提取模块中,对第一特征提取模块提取的特征图进一步提取特征信息;
S2-3、将步骤S2-2提取的特征信息输入具有大卷积核的卷积单元构成的特征输出模块中,得到高层特征信息,并将特征图转化为高维特征向量;
S2-4、将步骤S2-3得到的高维特征向量输入采用逻辑回归算法的预测模块中,得到图像真伪概率向量,执行对视频真伪性的推断预测。
进一步地,所述第二特征提取模块包括三个采用深度可分离卷积构成的残差块,各个残差块之间采用具有1*1卷积核的卷积层和残差块内部输出共同相连。
进一步地,所述残差块的网络结构表示为:
yl=h(xl)+F(xl,Wl)
xl+1=f(Yl)
其中,x、y分别表示残差块的输入和输出,F(xl,Wl)表示残差函数,Wl表示残差块的卷积核权重,h(xl)表示将上一残差块中输入特征发送到输出的函数,f(Yl)表示激活函数。
进一步地,基于上述基于深度可分离卷积的鉴别视频真实性的检测方法的相同发明构思,本发明还包括一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述的基于深度可分离卷积的鉴别视频真实性的检测方法的步骤。
进一步地,基于上述基于深度可分离卷积的鉴别视频真实性的检测方法的相同发明构思,本发明还包括一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述的基于深度可分离卷积的鉴别视频真实性的检测方法的步骤。
本发明具有以下有益效果:本发明采用深度可分离卷积构建的特征提取模块与残差网络、卷积神经网络相结合的架构,构建基于深度可分离卷积的视频真伪性鉴别模型,能够在保证判别准确性不降低的同时有效减小网络体积,降低运行成本提高运行速度,进一步提高视频真伪鉴别方法的实用性。
附图说明
图1是本发明基于深度可分离卷积的鉴别视频真伪性的检测方法流程示意图;
图2是本发明实施例中基于深度可分离卷积的视频真伪性鉴别模型结构示意图。
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用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例公开了一种基于深度可分离卷积的鉴别视频真伪性的检测方法,包括以下步骤S1至S3:
S1、获取包含真假人脸的视频图像,并划分为训练集和测试集;
在本实施例中,本发明从真实视频和Deepfake换脸后的视频中连续抽帧截取人脸图像,具体而言,所有图像通过从视频中每50ms一次的频率获取。
再将获取的人脸图像采用人脸对齐方法将图像进行旋转保证图中人脸的正面姿态,以提升图像质量和训练集规模。
本发明还包括对获取的视频图像进行预处理,具体为:
首先对视频图像进行大小变换操作,将图像尺寸变换为设定尺寸;具体而言,将图像尺寸变换为256*256。
再对视频图像进行归一化操作,采用min-max归一化方法将图像的像素值大小从区间(0,255)压缩到(0,1),归一化公式为:
X`i=(Xi-Xmin)/(Xmax-Xmin)
其中,X`i为归一化的第i个像素值,Xi为第i个像素值,Xmin、Xmax分别为图像中的像素最大值和最小值。
最后对视频图像进行标准化操作,将图像的像素值从0-1之间的值变换到-1到1区间内。
S2、构建基于深度可分离卷积的视频真伪性鉴别模型,利用步骤S1中的训练集图像进行模型训练,输出图像真伪概率向量;
在本实施例中,如图2所示,本发明构建的基于深度可分离卷积的视频真伪性鉴别模型包括第一特征提取模块、第二特征提取模块、特征输出模块和预测模块。
第一特征提取模块用于提取人脸图像的低层特征信息,得到低维特征图。
第二特征提取模块用于对第一特征提取模块提取的特征图进一步提取人脸图像的高维特征信息。
特征输出模块用于将第二特征提取模块提取的特征信息通过卷积处理得到高层特征信息,并将特征图转化为高维特征向量。
预测模块用于对高维特征向量进行处理,得到图像真伪概率向量。
步骤S2包括以下分步骤:
S2-1、将步骤S1中的训练集图像输入第一特征提取模块中,提取人脸图像的低层特征信息,得到低维特征图;
S2-2、将步骤S2-1输出的低层特征信息输入基于深度可分离卷积构建的第二特征提取模块中,对第一特征提取模块提取的特征图进一步提取特征信息;
第二特征提取模块包括三个采用深度可分离卷积构成的残差块,各个残差块之间采用具有1*1卷积核的卷积层和残差块内部输出共同相连,从而有助于在网络深度较浅的情况下提取更多特征。
残差块的网络结构表示为:
yl=h(xl)+F(xl,Wl)
xl+1=f(Yl)
其中,x、y分别表示残差块的输入和输出,F(xl,Wl)表示残差函数,Wl表示残差块的卷积核权重,h(xl)表示将上一残差块中输入特征发送到输出的函数,f(Yl)表示激活函数。具体而言,本发明选择ReLU激活函数,表示为f(Yl)=ReLU(Yl)=max(0,Yl)。
从而将残差函数表示为:
F(xl,Wli)=P(C(f(C(yl0,Wl1)),Wl2))
其中,P(·)表示最大池化函数,C(·,Wli)表示第i个深度分离卷积函数,Wli表示子残差块中第i个卷积的权重矩阵。
基本标识块的h(·)表示识别映射,h(x)=x;
快捷方式的标识块的h(·)表示卷积函数,可以调整图像的尺寸,公式表示为h(x)=C(x,Wio)。
S2-3、将步骤S2-2提取的特征信息输入具有大卷积核的卷积单元构成的特征输出模块中,得到高层特征信息,并将特征图转化为高维特征向量;
S2-4、将步骤S2-3得到的高维特征向量输入采用逻辑回归算法的预测模块中,得到图像真伪概率向量,执行对视频真伪性的推断预测。
特征输出模块和预测模块中,使用的全连接层公式为
y=Wx
其中,y表示全连接层输出,W表示全连接层的权重矩阵,x表示全连接层神经元。预测模块的全连接层输出为预测的真伪概率。
S3、利用步骤S2训练好的视频真伪性鉴别模型对步骤S1中的测试集图像进行预测,输出图像所属视频的真伪分类。
在本实施例中,本发明使用Cross Entropy交叉熵作为损失函数计算损失值,使用SGD随机梯度下降算法作为模型训练时的优化算法,引入学习率衰减和冲量机制辅助进行训练。
鉴别任务特征使用Cross Entropy作为损失函数,衡量预测值与真实值之间的偏差,表示为:
Loss=-[ylogy′+(1-y)log(1-y′)]
其中,y为图片的真实标签,y′为预测出的类别。
为进一步说明本发明方法的检测效果,本发明使用FF++的Deepfake数据集进行实验。该数据集在进行视频抽帧后包含7950个真图和7950个假图,数据集被分为训练集和测试集,分别有5104和2846张图像。
实验在GTX 1060的PC上进行训练,训练时,选择SGD作为优化器,基本学习率为0.001,每个epoch的学习率都下降10%。将batch size设置为8。整个模型训练总用时4小时,精确率为91.16%。测试集上表现和已有技术在相同条件的测试结果如表1所示。
表1 FF++Deepfake数据集测试准确率对比表
模型 | 准确率 | 模型参数量 | 训练时长(h) |
Xception | 96.4% | 22855952 | 106 |
MesoNet | 87.3% | 28615 | 4h |
本发明 | 91.16% | 26710 | 2h |
本发明不仅在FF++的Deepfake数据集上取得了较高的准确率,而且通过减少参数量,显著的减少了训练成本,拥有较高的性价比。
在本发明的一个可选实施例中,基于上述实施例的相同发明构思,本发明还包括一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述的基于深度可分离卷积的鉴别视频真实性的检测方法的步骤。
在本发明的一个可选实施例中,基于上述实施例的相同发明构思,本发明还包括一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述的基于深度可分离卷积的鉴别视频真实性的检测方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于深度可分离卷积的鉴别视频真伪性的检测方法,其特征在于,包括以下步骤:
S1、获取包含真假人脸的视频图像,并划分为训练集和测试集;
S2、构建基于深度可分离卷积的视频真伪性鉴别模型,利用步骤S1中的训练集图像进行模型训练,输出图像真伪概率向量;
所述基于深度可分离卷积的视频真伪性鉴别模型包括第一特征提取模块、第二特征提取模块、特征输出模块和预测模块;所述第一特征提取模块包括依次连接的卷积层、批量归一化层和ReLU激活函数;
所述第一特征提取模块用于提取人脸图像的低层特征信息;所述第二特征提取模块用于对第一特征提取模块提取的特征图进一步提取特征信息;所述第二特征提取模块包括三个采用深度可分离卷积构成的残差块,各个残差块之间采用具有1*1卷积核的卷积层和残差块内部输出共同相连;所述采用深度可分离卷积构成的残差块包括依次连接的深度可分离卷积层、ReLU激活函数、深度可分离卷积层和最大池化层,第二特征提取模块的输入特征图像通过具有1*1卷积核的卷积层与第一个采用深度可分离卷积构成的残差块中最大池化层的输出特征图像跳跃连接,第一个采用深度可分离卷积构成的残差块的输入特征图像通过具有1*1卷积核的卷积层与第二个采用深度可分离卷积构成的残差块中最大池化层的输出特征图像跳跃连接,第二个采用深度可分离卷积构成的残差块的输入特征图像通过具有1*1卷积核的卷积层与第三个采用深度可分离卷积构成的残差块中最大池化层的输出特征图像跳跃连接;
所述特征输出模块用于将第二特征提取模块提取的特征信息通过卷积处理得到高层特征信息,并将特征图转化为高维特征向量;所述特征输出模块包括依次连接的卷积层、批量归一化层、最大池化层、正则化层和全连接层;
所述预测模块用于对高维特征向量进行处理,得到图像真伪概率向量;所述预测模块包括依次连接的正则化层和全连接层;
S3、利用步骤S2训练好的视频真伪性鉴别模型对步骤S1中的测试集图像进行预测,输出图像所属视频的真伪分类。
2.如权利要求1所述的基于深度可分离卷积的鉴别视频真伪性的检测方法,其特征在于,所述步骤S1中人脸图像通过从视频中连续抽帧获取,并采用人脸对齐方法进行处理。
3.如权利要求2所述的基于深度可分离卷积的鉴别视频真伪性的检测方法,其特征在于,所述步骤S1还包括对视频图像进行预处理,具体为:
首先对视频图像进行大小变换操作,将图像尺寸变换为设定尺寸;再对视频图像进行归一化操作,采用min-max归一化方法将图像的值压缩到0到1之间;最后对视频图像进行标准化操作,将图像的值从0-1之间的值变换到-1到1区间内。
4.如权利要求1所述的基于深度可分离卷积的鉴别视频真伪性的检测方法,其特征在于,所述步骤S2包括以下分步骤:
S2-1、将步骤S1中的训练集图像输入第一特征提取模块中,输出提取的人脸图像的低层特征信息;
S2-2、将步骤S2-1输出的低层特征信息输入基于深度可分离卷积构建的第二特征提取模块中,对第一特征提取模块提取的特征图进一步提取特征信息;
S2-3、将步骤S2-2提取的特征信息输入具有大卷积核的卷积单元构成的特征输出模块中,得到高层特征信息,并将特征图转化为高维特征向量;
S2-4、将步骤S2-3得到的高维特征向量输入采用逻辑回归算法的预测模块中,得到图像真伪概率向量,执行对视频真伪性的推断预测。
5.如权利要求1所述的基于深度可分离卷积的鉴别视频真伪性的检测方法,其特征在于,所述残差块的网络结构表示为:
yl=h(xl)+F(xl,Wl)
xl+1=f(Yl)
其中,x、y分别表示残差块的输入和输出,F(xl,Wl)表示残差函数,Wl表示残差块的卷积核权重,h(xl)表示将上一残差块中输入特征发送到输出的函数,f(Yl)表示激活函数。
6.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行权利要求1至5任一所述的基于深度可分离卷积的鉴别视频真伪性的检测方法的步骤。
7.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至5任一所述的基于深度可分离卷积的鉴别视频真伪性的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010008338.7A CN111222457B (zh) | 2020-01-06 | 2020-01-06 | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010008338.7A CN111222457B (zh) | 2020-01-06 | 2020-01-06 | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222457A CN111222457A (zh) | 2020-06-02 |
CN111222457B true CN111222457B (zh) | 2023-06-16 |
Family
ID=70829315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010008338.7A Active CN111222457B (zh) | 2020-01-06 | 2020-01-06 | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222457B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209962B (zh) * | 2020-01-06 | 2023-02-03 | 电子科技大学 | 一种联合热图特征回归的基于cnn特征提取网络的联合图像分类方法 |
CN112069891B (zh) * | 2020-08-03 | 2023-08-18 | 武汉大学 | 一种基于光照特征的深度伪造人脸鉴别方法 |
CN112200001A (zh) * | 2020-09-11 | 2021-01-08 | 南京星耀智能科技有限公司 | 一种指定场景下深度伪造视频识别方法 |
CN112163511B (zh) * | 2020-09-25 | 2022-03-29 | 天津大学 | 一种图像真伪鉴别方法 |
CN113723196B (zh) * | 2021-08-02 | 2024-05-28 | 中国科学院信息工程研究所 | 基于预测学习的视频虚假人脸检测方法及装置 |
CN114359811A (zh) * | 2022-01-11 | 2022-04-15 | 北京百度网讯科技有限公司 | 数据鉴伪方法、装置、电子设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596069A (zh) * | 2018-04-18 | 2018-09-28 | 南京邮电大学 | 基于深度3d残差网络的新生儿疼痛表情识别方法及系统 |
US10185891B1 (en) * | 2016-07-08 | 2019-01-22 | Gopro, Inc. | Systems and methods for compact convolutional neural networks |
CN109389045A (zh) * | 2018-09-10 | 2019-02-26 | 广州杰赛科技股份有限公司 | 基于混合时空卷积模型的微表情识别方法与装置 |
CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110532859A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于深度进化剪枝卷积网的遥感图像目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111241958B (zh) * | 2020-01-06 | 2022-07-22 | 电子科技大学 | 一种基于残差-胶囊网络的视频图像鉴别方法 |
-
2020
- 2020-01-06 CN CN202010008338.7A patent/CN111222457B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185891B1 (en) * | 2016-07-08 | 2019-01-22 | Gopro, Inc. | Systems and methods for compact convolutional neural networks |
CN108596069A (zh) * | 2018-04-18 | 2018-09-28 | 南京邮电大学 | 基于深度3d残差网络的新生儿疼痛表情识别方法及系统 |
CN109389045A (zh) * | 2018-09-10 | 2019-02-26 | 广州杰赛科技股份有限公司 | 基于混合时空卷积模型的微表情识别方法与装置 |
CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110532859A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于深度进化剪枝卷积网的遥感图像目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Khoria Kuldeep ; et al..On significance of constant-Q transfrom for pop noise detection.《Computer Speech and Language》.2022,第77卷全文. * |
基于改进卷积神经网络的多视角人脸表情识别;钱勇生等;《计算机工程与应用》;20181230;第54卷(第24期);全文 * |
基于深度学习的自主返航路径识别方法研究;张勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;I140-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222457A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222457B (zh) | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 | |
Guo et al. | Face recognition based on convolutional neural network and support vector machine | |
CN109993236B (zh) | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 | |
CN112036513B (zh) | 基于内存增强潜在空间自回归的图像异常检测方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
US20240054760A1 (en) | Image detection method and apparatus | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN116311483B (zh) | 基于局部面部区域重构和记忆对比学习的微表情识别方法 | |
CN113591978A (zh) | 一种基于置信惩罚正则化的自我知识蒸馏的图像分类方法、设备及存储介质 | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
CN114663391A (zh) | 一种基于无监督深度学习算法的工业图像缺陷检测方法 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN111178897B (zh) | 在不平衡数据上快速特征学习的代价敏感的动态聚类方法 | |
Yao | A compressed deep convolutional neural networks for face recognition | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN114692809A (zh) | 基于神经集群的数据处理方法及装置、存储介质、处理器 | |
CN116884072A (zh) | 一种基于多层级和多尺度注意机制的面部表情识别方法 | |
Dsouza et al. | Real Time Facial Emotion Recognition Using CNN | |
CN115631526A (zh) | 基于自监督学习技术的被遮挡的人脸表情识别方法及应用 | |
CN113128387B (zh) | 基于面部表情特征分析的吸毒者毒瘾发作识别方法 | |
CN113409290B (zh) | 一种液晶屏外观缺陷检测方法、装置及存储介质 | |
CN115527253A (zh) | 一种基于注意力机制的轻量级人脸表情识别方法和系统 | |
CN114821722A (zh) | 一种基于马氏距离改进的人脸识别系统及方法 | |
CN114613016A (zh) | 基于Xception网络改进的手势图像特征提取方法 | |
CN114596445A (zh) | 一种提升采油机故障诊断精度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |