CN111461135A - 利用卷积神经网络集成的数字图像局部滤波取证方法 - Google Patents

利用卷积神经网络集成的数字图像局部滤波取证方法 Download PDF

Info

Publication number
CN111461135A
CN111461135A CN202010246248.1A CN202010246248A CN111461135A CN 111461135 A CN111461135 A CN 111461135A CN 202010246248 A CN202010246248 A CN 202010246248A CN 111461135 A CN111461135 A CN 111461135A
Authority
CN
China
Prior art keywords
image
filtering
convolution kernels
neural network
integrated
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.)
Granted
Application number
CN202010246248.1A
Other languages
English (en)
Other versions
CN111461135B (zh
Inventor
冯国瑞
李雪梅
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010246248.1A priority Critical patent/CN111461135B/zh
Publication of CN111461135A publication Critical patent/CN111461135A/zh
Application granted granted Critical
Publication of CN111461135B publication Critical patent/CN111461135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Landscapes

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

Abstract

本发明涉及一种利用卷积神经网络集成的数字图像局部滤波取证方法。步骤为：一、先对图像集中图像进行预处理，包括裁剪和滤波；二、将预处理后的图片划分类别并划分训练集和测试集；三、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；四、构建特定的有滤波层的VGG网络；五、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；六、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果；本发明可以有效地方便地解决检测局部滤波图像的问题。

Description

利用卷积神经网络集成的数字图像局部滤波取证方法
技术领域
本发明涉及一种利用卷积神经网络集成的数字图像局部滤波取证方法，属于盲取证技术领域。
背景技术
手机、电脑等科技产品的普及使得人们对图片进行修改越来越容易。在一些专业领域，针对图片的恶意篡改对个人和国家都造成了巨大的损失。在恶意篡改图片的众多手段中，滤波操作是最为广泛使用的一种技术。鉴定图像是否经历过滤波可以为判断图像是否被篡改提供重要评判依据。这也使得针对滤波操作的盲检测十分必要。传统的滤波检测技术主要是基于图像频域上的分布规律提出合适的特征计算方法，并使用支持向量机进行分类。这些传统技术在中值滤波、均值滤波等操作的鉴别上有非常优秀的表现。然而在不同的方案中往往需要不同的特征值计算方法，没有针对多种滤波方式都有良好表达效果的计算方法。在图片尺寸较小时，传统的方法检测准确率也很低。此外，在实际情况中，更多的篡改者对图像只是进行了局部滤波或不同部位滤波操作不同。这些问题对检测方法的性能提出了更高的要求。CNN(卷积神经网络)的特点是可以利用神经网络自动化提取特征，无需人工参与，恰好适用于这一问题。在众多网络结构中，VGG网络有不错的性能且结构简洁。集成分类器的实质是一种结合多个“个体分类器”的策略，可以提升网络准确率。
这里我们提出：在VGG网络前端加入滤波层，滤波层由8个基础的卷积核和8个随机选择出的卷积核组合而成。通过不同的卷积核的组合使得神经网络的输出结果产生差异性，最后将有差异的结果输入集成分类器。有差异的结果可以提高集成的效果。这样的方式与初始VGG网络相比可以提高分类的准确率，使得针对小尺寸图像的检测性能达到要求。这一新方案与传统的方案对比适用范围更广，准确率更高。
发明内容
本发明目的是针对现存的检测方法需要利用先验模型提取特征且在小尺寸图片上性能不佳的特性，提供一种利用卷积神经网络集成的数字图像局部滤波取证方法。
为达到上述目的，本发明采用的技术方案如下：
一种利用卷积神经网络集成的数字图像局部滤波取证方法，具体操作步骤如下：
(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；
(2)、将预处理后的图片划分类别并划分训练集和测试集；
(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；
(4)、构建特定的有滤波层的VGG网络；
(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；
(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。
所述步骤(1)中的对图像集中图像进行预处理，包括裁剪和滤波两个步骤：剪裁步骤将原图像集每一张图像裁剪为32*32大小的小尺寸图片；滤波步骤将每一张小尺寸图像通过中值滤波、均值滤波、高斯滤波、拉普拉斯滤波和非锐化滤波处理，共得到包括原图在内的六类图像。
所述步骤(2)中的将预处理后的图片划分类别并划分训练集和测试集：包括原图在内的六类图片所构成的数据集D被随机划分两个相互排斥的集合，其中一个被设置为训练集S(占图像总数的92％)，另一个被设置为测试集T(占图像总数的8％)。在S上训练模型后，在T上对模型的准确率进行估计。我们只从S中随机挑选90％的图像作为训练集，S的其余图像作为验证集来估计模型的性能。
所述步骤(3)中的由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核：基础的卷积核共八个，基本结构及初始值如附图2所示。1*4、2*3等尺寸的卷积核可以对网络的性能有进一步的拓展。基础的卷积核互相卷积三次去除重复的卷积核后共有270个新卷积核，生成的新卷积核尺寸也各不相同，因此处理图片的效果也各不相同。由于数量较大，我们对卷积核进行筛选，筛选原则是：同一卷积核处理不同类图像产生的差别越大越好。因此采用以下的计算方法对这270个卷积核进行筛选：
令i,j分别表示图像类别(0≤i＜j≤5),
Figure BDA0002434047790000021
为第i类图片中第k张图像经卷积核p处理后与未处理图像的差值，定义筛选指标为F：
Figure BDA0002434047790000022
F值越大的卷积核越能表达不同滤波方式间的差异，选出F值最大的40个卷积核。
所述步骤(4)中构建特定的有滤波层的VGG网络：网络的整体结构如附图3所示。滤波层位于VGG网络之前，并参与训练过程，有特征提取的作用，对网络的输出结果有决定性的影响。我们对原始VGG网络的结构进行了一些细微的改变以适应我们32*32尺寸的输入图像，基本结构包括13个卷积层，5个池化层以及3个全连接层。
所述步骤(5)中将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果：将由步骤(2)中划分出的训练集数据S输入到神经网络中，进行训练和迭代，直到结果收敛；重复训练多次，每次网络的滤波层都由8个基础的卷积核和8个随机选择的卷积核组成，不同的卷积核有不同的处理效果，提取的特征也就也不相同。不同的卷积核的组合使得每次神经网络的分类结果有所不同，产生多组有差异的结果。
所述步骤(6)中将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果：将由步骤(5)中因滤波层不同而产生多组差异性结果输入到集成分类器中。集成分类器实质上是使用一定的策略将“个体学习器”结合起来，对网络性能的提升有一定的作用。它会自动对差异结果进行投票，得到小尺寸图片的最终分类结果。
与现有技术相比，本发明具有如下的优点：
本发明方法只需要将待检测图像分割成小尺寸图像后输入到神经网络和集成分类器中，就可以输出小尺寸图像分类结果，将小尺寸图像检测结果整合就可以得到原图像是否为滤波后图像，经历过哪种滤波操作。本方法适用范围更广，准确率更高。
附图说明
图1利用卷积神经网络集成的局部滤波图像盲取证检测新方法的操作程序框图。
图2基本卷积核的结构与初始值。
图3整体神经网络结构图。
具体实施方式
下面结合附图对本发明具体实施例做进一步详细说明。
如图1所示，一种利用卷积神经网络集成的数字图像局部滤波取证方法，具体操作步骤如下：
(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；
(2)、将预处理后的图片划分类别并划分训练集和测试集；
(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；
(4)、构建特定的有滤波层的VGG网络；
(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；
(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。
所述步骤(1)中的先对图像集中图像进行预处理，包括裁剪和滤波两个步骤：我们选取UCID图像集，共1338张384*512尺寸的图片，每张图片经过裁剪后得到196张32*32大小的小尺寸图像，所有的小尺寸图片数量为262248张。我们采用Matlab编写代码对这些图片分别进行中值滤波、均值滤波、高斯滤波、拉普拉斯滤波和非锐化滤波处理。这样加上原图就得到了六类各262248张图片。
所述步骤(2)中的将预处理后的图片划分类别并划分训练集和测试集：对于每一类图片，我们使用Python语言编程，随机选出8％，并把所有选出的图片集合在一起作为测试集T。剩下的92％的图片集合在一起作为训练集S。在训练集S中，我们随机选出10％作为训练过程中的验证集。
所述步骤(3)将由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核：基础的卷积核共八个，基本结构及初始值如附图2所示。基础的卷积核互相卷积三次去除重复的卷积核后共有270个新卷积核，采用以下的计算方法对这270个卷积核进行筛选：
i,j分别表示图像类别(0≤i＜j≤5),
Figure BDA0002434047790000041
为第i类图片中第k张图像经卷积核p处理后与未处理图像的差值，定义筛选指标F为：
Figure BDA0002434047790000042
对270个卷积核分别计算F值，F值越大卷积核越能表达不同滤波方式间的差异，因此筛除F值较小的230个卷积核。我们采用Python为编程语言来编写卷积核生成及筛选步骤的相关代码。
所述步骤(4)构建特定的有滤波层的VGG网络：我们对原始VGG网络的结构进行了一些细微的改变以适应我们32*32尺寸的输入图像，修改VGG网络后的整体神经网络结构如说明书附图3。训练时滤波层处于整体网络的第一层,参与训练过程。我们采用Python为编程语言，tensorflow为机器学习库来编写网络结构的相关代码。
所述步骤(5)将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果：将由步骤(2)中划分出的训练集S输入到网络中，进行训练和迭代，直到结果收敛，得到训练好的网络；重复训练10次，每次训练网络的滤波层都不相同。除8个基础的卷积核外，随机在筛选出的卷积核中选择另外8个，一起组合成滤波层。滤波层有特征提取的作用，卷积核不同，提取的特征就不同，也使得每次神经网络的分类结果不同，共产生有差异的结果10组。我们采用Python为编程语言，tensorflow为机器学习库来编写训练过程的相关代码。
所述步骤(6)将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果：将由步骤(5)中因滤波层不同而产生的10组差异性结果输入到集成分类器中。集成分类器会自动对差异结果进行投票，得到小尺寸图片的最终分类结果。当有一张图片需要进行检测时，我们对其进行剪裁、输入训练好的神经网络和集成分类器、得到每一张小尺寸图像输出结果，最后将小尺寸图像的分类结果整合得到原图像的检测结果。

Claims (7)

1.一种利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，具体操作步骤如下：
(1)、先对图像集中图像进行预处理，包括裁剪和滤波两个步骤；
(2)、将预处理后的图片划分类别并划分训练集和测试集；
(3)、由基础的卷积核互相卷积生成大量新卷积核，对每个卷积核的性能进行评估，筛选出最优的40个卷积核；
(4)、构建特定的有滤波层的VGG网络；
(5)、将训练集数据输入到构建好的网络中，进行神经网络训练，重复多次，每次都在筛选出的卷积核中随机选择组成不同的滤波层以产生多组差异性结果；
(6)、将多组差异性结果输入集成分类器得到小尺寸图像分类结果，实际检测时将小尺寸图像的分类结果整合作为原图最终检测结果。
2.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(1)中：
1-1)剪裁步骤将每一张原图像划分为若干张32*32大小的小尺寸图像；
1-2)滤波步骤将每一张小尺寸图像通过中值滤波、均值滤波、高斯滤波、拉普拉斯滤波和非锐化滤波处理，共得到包括原图在内的六类图像。
3.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(2)中六类图片所构成的数据集D被随机划分两个相互排斥的集合，其中一个被设置为训练集S，另一个被设置为测试集T；在S上训练模型后，在T上对模型的准确率进行估计；我们只从S中随机挑选90％的图像作为训练集，S的其余图像作为验证集来估计模型的性能。
4.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(3)中：
3-1)基础的卷积核共8个；
3-2)互相卷积三次去除重复的卷积核后共有270个新卷积核；
3-3)卷积核的筛选原则是：同一卷积核处理不同类图像产生的差别越大越好；评估方法如下：
i,j表示图像类别(0≤i＜j≤5)，
Figure FDA0002434047780000011
为第i类图片中第k张图像经卷积核p处理后与未处理图像的差值，定义筛选指标F计算方法如下：
Figure FDA0002434047780000012
F值越大卷积核越能表达不同滤波方式间的差异，因此选取F值最大的40个卷积核。
5.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(4)中VGG网络基本结构为13个卷积层，5个池化层以及3个全连接层。
6.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(5)中：
5-1)将由步骤(2)中划分出的训练集数据S输入到神经网络中，进行训练和迭代，直到结果收敛；
5-2)重复训练多次，每次网络的滤波层都由8个基础的卷积核和8个随机选择的卷积核组成，因此每次都不相同；不同的卷积核的组合使得滤波层有不同的特征提取功能，每次神经网络的分类结果也因此不同，产生多组有差异的结果。
7.根据权利要求1所述的利用卷积神经网络集成的数字图像局部滤波取证方法，其特征在于，所述步骤(6)将由步骤(5)中因滤波层不同而产生的多组差异性结果输入到集成分类器中；集成分类器实质上是使用一定的策略将“个体学习器”结合起来，它会自动对差异结果进行投票，得到小尺寸图片的最终分类结果；当有一张图片需要进行检测时，我们对其进行剪裁、输入神经网络和集成分类器、得到每一张小尺寸图像的分类结果，最后将小尺寸图像的分类结果整合得到原图像的检测结果。
CN202010246248.1A 2020-03-31 2020-03-31 利用卷积神经网络集成的数字图像局部滤波取证方法 Active CN111461135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010246248.1A CN111461135B (zh) 2020-03-31 2020-03-31 利用卷积神经网络集成的数字图像局部滤波取证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010246248.1A CN111461135B (zh) 2020-03-31 2020-03-31 利用卷积神经网络集成的数字图像局部滤波取证方法

Publications (2)

Publication Number Publication Date
CN111461135A true CN111461135A (zh) 2020-07-28
CN111461135B CN111461135B (zh) 2022-11-08

Family

ID=71679467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010246248.1A Active CN111461135B (zh) 2020-03-31 2020-03-31 利用卷积神经网络集成的数字图像局部滤波取证方法

Country Status (1)

Country Link
CN (1) CN111461135B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239814A (zh) * 2022-02-25 2022-03-25 杭州研极微电子有限公司 用于图像处理的卷积神经网络模型的训练方法
CN114331974A (zh) * 2021-12-09 2022-04-12 上海大学 一种基于特征融合的图像篡改检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203765A (zh) * 2017-03-30 2017-09-26 腾讯科技（上海）有限公司 敏感图像检测方法和装置
CN110309847A (zh) * 2019-04-26 2019-10-08 深圳前海微众银行股份有限公司 一种模型压缩方法及装置
CN110443357A (zh) * 2019-08-07 2019-11-12 上海燧原智能科技有限公司 卷积神经网络计算优化方法、装置、计算机设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203765A (zh) * 2017-03-30 2017-09-26 腾讯科技（上海）有限公司 敏感图像检测方法和装置
CN110309847A (zh) * 2019-04-26 2019-10-08 深圳前海微众银行股份有限公司 一种模型压缩方法及装置
CN110443357A (zh) * 2019-08-07 2019-11-12 上海燧原智能科技有限公司 卷积神经网络计算优化方法、装置、计算机设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIMIN WANG ET AL.: "Action Recognition with Trajectory-Pooled Deep-Convolutional Descriptors", 《CVPR2015》 *
朱继洪等: "卷积神经网络( CNN) 训练中卷积核初始化方法研究", 《信号处理》 *
王震等: "基于卷积核滤波器筛选的CNN 模型精简方法", 《天津理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331974A (zh) * 2021-12-09 2022-04-12 上海大学 一种基于特征融合的图像篡改检测方法
CN114239814A (zh) * 2022-02-25 2022-03-25 杭州研极微电子有限公司 用于图像处理的卷积神经网络模型的训练方法

Also Published As

Publication number Publication date
CN111461135B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN109614979B (zh) 一种基于选择与生成的数据增广方法及图像分类方法
CN110349136A (zh) 一种基于深度学习的篡改图像检测方法
CN108446700A (zh) 一种基于对抗攻击的车牌攻击生成方法
CN109410184B (zh) 基于稠密对抗网络半监督学习的直播色情图像检测方法
CN112818862A (zh) 基于多源线索与混合注意力的人脸篡改检测方法与系统
CN109657551B (zh) 一种基于上下文信息增强的人脸检测方法
CN113762138B (zh) 伪造人脸图片的识别方法、装置、计算机设备及存储介质
CN111461135B (zh) 利用卷积神经网络集成的数字图像局部滤波取证方法
CN103208097A (zh) 图像多方向形态结构分组的主分量分析协同滤波方法
CN111681182A (zh) 图片修复方法、装置、终端设备以及存储介质
Agarwal et al. Image forgery detection and deep learning techniques: A review
CN111815526B (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统
CN113159045A (zh) 一种结合图像预处理与卷积神经网络的验证码识别方法
CN113392728B (zh) 一种基于ssa锐化注意机制的目标检测方法
Hussain et al. Image denoising to enhance character recognition using deep learning
CN114723953A (zh) 一种面向图像来源检测的深度神经网络
Quan et al. Provenance inference for instagram photos through device fingerprinting
CN112906508A (zh) 一种基于卷积神经网络的面部活体检测方法
CN111723864A (zh) 基于主动学习使用互联网图片进行对抗训练的方法及装置
CN113240007B (zh) 一种基于三支决策的目标特征选择方法
CN116680435B (zh) 一种基于多层特征提取的相似图像检索匹配方法
CN113808055B (zh) 基于混合膨胀卷积的植物识别方法、装置及存储介质
CN112364892B (zh) 一种基于动态模型的图像识别方法及装置
Semwal et al. Copy move image forgery detection using machine learning

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