CN111918144A - 一种基于深度学习的去除视频水印的方法 - Google Patents
一种基于深度学习的去除视频水印的方法 Download PDFInfo
- Publication number
- CN111918144A CN111918144A CN202010806036.4A CN202010806036A CN111918144A CN 111918144 A CN111918144 A CN 111918144A CN 202010806036 A CN202010806036 A CN 202010806036A CN 111918144 A CN111918144 A CN 111918144A
- Authority
- CN
- China
- Prior art keywords
- watermark
- video
- network
- pictures
- training
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/835—Generation of protective data, e.g. certificates
- H04N21/8358—Generation of protective data, e.g. certificates involving watermark
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的去除视频水印的方法,其特征在于,包括如下步骤:1)视频处理;2)数据增强;3)模型训练;4)实现去除水印。这种方法能提高处理海量视频水印的效率,能快速批量清除视频水印,去除水印不留踪迹以及去除水印后原画质不丢失帧的优点。
Description
技术领域
本发明涉及图像处理技术,具体是一种基于深度学习的去除视频水印的方法。
背景技术
随着网络技术的快速发展,各种各样的视频在互联网上的传播。企业为了保护视频中的版权,在视频中叠加水印是一种常规的做法。在很多时候,使用者需要使用没有水印的视频,方便对接自己的业务。通常市面上的水印处理软件是对单张水印图片进行去除,这种做法对于处理视频不仅耗时耗力,而且水印区域也有比较明显的痕迹,效果也不佳。因此如何实现高效处理视频中的水印已经成为业界亟待解决的问题。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于深度学习的去除视频水印的方法。这种方法利用深度学习对带水印的视频进行去除处理,能够有效提高处理海量视频水印的效率,能快速批量清除视频中水印,去除水印不留踪迹以及去除水印后原画质不丢失帧的优点。
实现本发明目的的技术方案是:
一种基于深度学习的去除视频水印的方法,包括如下步骤:
1)视频处理:采用视频处理opencv工具把视频转换为图片,将处理后的训练图片分为有带水印的图片和不带水印的图片;
2)数据增强:数据增强能提高数据的多样性,增强模拟的鲁棒性,降低模型对参数的敏感度,提升模型的泛化能力,采用mosaic数据增强,能提高去除水印的能力,其过程是:随机添加水印噪声,每次读取4张图片,对带水印的图片和不带水印图片同时做出翻转、缩放、旋转变化相同的变换,并且按照四个方向位置摆好,进行图片的组合和框的组合,合成一张图片,这样丰富检测物体的背景,在一个batch计算时可以计算4张图片的数据,更好地利用了batch,使gpu得到了更好运用,大大减少了对大批量生产的需求,增加背景的复杂度;
3)模型训练:将经过数据增强的图片传入改进后的Unet特征提取网络中进行训练,在改进后的Unet特征提取网络中,采用注意力机制和强化学习,以及采用L2loss的计算方式,进行图片的训练,Unet特征提取网络采用强化学习找到合适的通道数,过程如下:首先设定搜索的Unet的通道数为1-30;初始化DQN的记忆库Memory D,设置它的容量为200;初始化Q估计网络,随机生成权重ωω;初始化target Q网络,权重为ω-=ωω-=ω;初始化最初状态initial state S1S1;循环遍历step=1,2,…,100,策略生成action atat,at=maxaQ(St,a;ω)at=maxaQ(St,a;ω);其中St代表loss的值,a代表行为选择的通道数,执行action atat,接收reward rtrt及新的state St+1St+1;reward rtrt表示接收的奖励,将(St,at,rt,St+1)(St,at,rt,St+1)存入D中;从D中随机抽取一个minibatch的transitions(Sj,aj,rj,Si+1)(Sj,aj,rj,Sj+1);令yj=rjyj=rj,如果j+1j+1步是terminal的话,否则,令yj=rj+γmaxa′Q(St+1,a′;ω-)yj=rj+γmaxa′Q(St+1,a′;ω-);对(yj-Q(St,aj;ω))2(yj-Q(St,aj;ω))2关于ωω使用梯度下降法进行更新;每隔Csteps更新target Q网络,ω-=ωω-=ω,最终找到合适的通道数;
4)实现去除水印:最终保存的训练loss值最低的模型权重,进行模型权重加载,对视频进行去除水印操作,训练好的网络通过改进后的unet提取视频中的水印特征,最大程度达到保留视频中的语义信息,在实施过程中将视频提取出带水印和不带水印的图片作为训练样本,以训练后去除水印后的样本和无水印的样本作为像素级别对比,对比准确度和平均误差mse,在进行多次的训练后,使准确率和平均误差都达到最优,能够得到训练好的预设权重,加载出预设权重,对带水印的视频进行处理。
步骤3)中所述的L2loss的计算方式为:在去除水印视频方法时损失函数计算的时候,采用对于L2损失函数计算,该函数的最优解在被估计真实平均值处取得z,z=Ey{y},计算损失值的函数为L(z,y)=(z-y)2,在网络中输入目标对(xi,yi)优化,主要是优化argminθ E(x,y){L(fθ(x),y)},其中,网络函数为fθ(x),θ为网络参数,网络会学习到输出所有可能结果的平均值,当给定的训练数据无限多时,目标函数的解与原目标函数的解相同,当训练数据有限多时,估计的均方误差等于目标中的噪声的平均方差除以训练样例的数目,即:L2损失函数随着样本的增加,使误差接近于0,即使数据量有限,估计值也是无偏差。
步骤3)中所述的改进后的Unet特征提取网络为:U-net特征提取网络特征提取是用于图像分割,分割出图像中所需要物体一个完整准确的轮廓,它全程采用valid来进行卷积下采样,然后提取出一层又一层的特征,利用这一层又一层的特征,再进行上采样,允许更多原图片的纹理信息在高分辨率层进行传播,在上采样部分会融合一部分特征,这样做实际是将多尺度特征融合在了一起,增强了网络的特征提取能力,最后得出一个每个像素点对应其种类的图像。在改进的unet部分,采用强化学习DQN的方法,搜索最优通道参数,减少unet的通道数量,使它的参数原本从1200w减少到了200w,同时采用注意力机制,对一些需要重点特征的区域,投入更多的权重,抑制了图片中与水印无关的其它特征,加强特征提取能力,弥补一些减少参通道数的不足。
所述强化学习DQN方法为:DQN中采用卷积神经网络来逼近行为值函数,一个是采用target Q network来更新target,还有一个是采用经验回放Experience replay,DQN中经验回放即用一个Memory来存储经历过的数据,每次更新参数的时候从Memory中抽取一部分数据来用于更新,以此来打破数据间的关联,最终来找到最优路径。
本技术方案带来的有益效果是:
1.可配置强,采用强化学习DQN,学习Unet算法参数,使Unet的参数总量减少,预测时间变短,无需手动调整参数,使视频中去除水印算法更广的利用与其他特征不同的水印场景;
2.利用修改后注意力机制、数据增强和L2 loss计算,使去除水印视频算法,在减少通参数的情况下,更好的去除视频中的水印;
3.灵活方便的扩展与更新,这种方法能提高处理海量视频水印的效率,不仅减少了处理视频水印的速度,减小了gpu和cpu的使用率,能够移植到更小的设备上,而且能够达到更好的去除水印效果。
这种方法能提高处理海量视频水印的效率,能快速批量清除视频水印,去除水印不留踪迹以及去除水印后原画质不丢失帧的优点。
附图说明
图1为实施例的方法流程示意图;
图2为实施例中强化学习方法的流程示意图;
图3为实施例中Unet训练预测特征提取流程示意图。
具体实施方案
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于深度学习的去除视频水印的方法,包括如下步骤:
1)视频处理:采用视频处理opencv工具把视频转换为图片,将图片分为有带水印的图片和不带水印的图片;
2)数据增强:数据增强能提高数据的多样性,增强模拟的鲁棒性,降低模型对参数的敏感度,提升模型的泛化能力,采用mosaic数据增强,能提高去除水印的能力,其过程:随机添加水印噪声,每次读取4张图片,对带水印的图片和不带水印图片同时做出翻转、缩放、旋转变化相同的变换,并且按照四个方向位置摆好,进行图片的组合和框的组合,合成一张图片,这样丰富检测物体的背景,在batch计算时可以计算4张图片的数据,更好的利用了batch,使gpu得到了更好运用,大大减少了对大批量生产的需求,增加背景的复杂度;
3)模型训练:将经过数据增强的图片传入改进后的Unet特征提取网络中进行训练,在改进后的Unet特征提取网络中,采用注意力机制和强化学习,采用L2loss的计算方式,进行图片的训练,Unet特征提取网络采用强化学习找到合适的通道数,过程如下:首先设定搜索的Unet的通道数为1-30;初始化DQN的记忆库Memory D,设置它的容量为200;初始化Q估计网络,随机生成权重ωω;初始化target Q网络,权重为ω-=ωω-=ω;初始化最初状态initial state S1S1;循环遍历step=1,2,…,100,策略生成action atat,at=maxaQ(St,a;ω)at=maxaQ(St,a;ω);其中St代表loss的值,a代表行为选择的通道数,执行action atat,接收reward rtrt及新的state St+1St+1;reward rtrt表示接收的奖励,将(St,at,rt,St+1)(St,at,rt,St+1)存入D中;从D中随机抽取一个minibatch的transitions(Sj,aj,rj,Sj+1)(Sj,aj,rj,Sj+1);令yj=rjyj=rj,如果j+1j+1步是terminal的话,否则,令yj=rj+γmaxa′Q(St+1,a′;ω-)yj=rj+γmaxa′Q(St+1,a′;ω-);对(yj-Q(St,aj;ω))2(yj-Q(St,aj;ω))2关于ωω使用梯度下降法进行更新;每隔Csteps更新target Q网络,ω-=ωω-=ω,最终找到合适的通道数;
4)实现去除水印:最终保存的训练loss值最低的模型权重,进行模型权重加载对视频进行去除水印操作,训练好的网络通过改进后的unet提取视频中的水印特征,最大程度达到保留视频中的语义信息,在实施过程中将视频提取出带水印和不带水印的图片作为训练样本,以去除水印后的样本和无水印的样本作为像素级别对比,对比准确度和平均误差mse,在进行多次的训练后,使准确率和平均误差都达到最优,能够得到训练好的预设权重,加载出预设权重,对带水印的视频进行处理。
步骤3)中所述的L2loss的计算方式为:在去除水印视频方法时损失函数计算的时候,采用对于L2损失函数计算,该函数的最优解在被估计真实平均值处取得z,,z=Ey{y},计算损失值的函数为L(z,y)=(z-y)2,在网络中输入目标对(xi,yi)优化,主要是优化argminθ E(x,y){L(fθ(x),y)},其中,网络函数为fθ(x),θ为网络参数,网络会学习到输出所有可能结果的平均值,当给定的训练数据无限多时,目标函数的解与原目标函数的解相同,当训练数据有限多时,估计的均方误差等于目标中的噪声的平均方差除以训练样例的数目,即:L2损失函数随着样本的增加,使误差接近于0,即使数据量有限,估计值也是无偏差。
步骤3)中所述的改进后的Unet特征提取网络为:如图3所示,U-net特征提取网络特征提取是用于图像分割,分割出图像中所需要物体一个完整准确的轮廓,它全程采用valid来进行卷积下采样,然后提取出一层又一层的特征,利用这一层又一层的特征,再进行上采样,允许更多的原图片的纹理信息在高分辨率层进行传播,在上采样部分会融合一部分特征,这样做实际是将多尺度特征融合在了一起,增强了网络的特征提取能力,最后得出一个每个像素点对应其种类的图像。改进的unet部分,采用强化学习DQN方法,搜索最优通道参数,减少unet的通道数量,使它的参数原本从1200w减少到了200w,同时采用注意力机制,对一些需要重点特征的区域,投入更多的权重,抑制了图像中跟水印无关的特征,加强特征提取能力,弥补一些减少参通道数的不足。
所述强化学习DQN实现步骤为:如图2所示,DQN中采用卷积神经网络来逼近行为值函数,一个是采用target Q network来更新target,还有一个是采用经验回放Experiencereplay,DQN中经验回放即用一个Memory来存储经历过的数据,每次更新参数的时候从Memory中抽取一部分数据来用于更新,以此来打破数据间的关联,最终来找到最优路径。
本例中,在训练图片的时候,对图片大小进行等比例缩放或者利用填充,把图片大小变为512*512,传入Unet里面,利用卷积、池化和激活函数操作进行特征提取。构造卷积层计算公式:conv=σ(imgW+b),其中,σ表示激活函数,img表示图像矩阵,W表示学习的权重值,b表示偏置值,激活函数的计算方式主要是减少运算量,提高性能。得到了f1、f2、f3、f4、f5,在得到f1、f2、f3、f4、f5进行轻量级的注意力获得每个通道的权重,将被压缩了四次的f4进行一次上采样后与f3乘上注意力的权重进行concatenate特征的融合,然后再进行一次上采样与f2进行concatenate,然后再进行一次上采样,最后利用卷积输出去除水印的图片,在loss值计算L2损失函数计算,在将视频中的图片输入到unet中最终会获得一系列提取到去除水印的效果特征图,这一系列值的最初是一系列不可靠的测量值(y1,y2,...),利用L2损失函数找到一个数z,优化argminEy{L(z,y)}。其中L2损失L(z,y)=(z-y)2,。其中z=Ey{y},z为计算测量值(y1,y2,...),的平均值,不断的优化损失函数,根据预测水印位置,推断出无水印图片的原图,不断通过损失函数的优化,保证了对原图高质量的估计,本例方法做到了在2080Ti上去除1张1024*1024图片水印时间达到了0.05s,去除效果也接近无水印效果,极大的提高了处理海量视频水印的效率。
Claims (4)
1.一种基于深度学习的去除视频水印的方法,其特征在于,包括如下步骤:
1)视频处理:采用视频处理opencv工具把视频转换为图片,将训练图片分为有带水印的图片和不带水印的图片;
2)数据增强:采用mosaic数据增强,其过程是:随机添加水印噪声,每次读取4张图片,对带水印的图片和不带水印图片同时做出翻转、缩放、旋转变化相同的变换,并且按照四个方向位置摆好,进行图片的组合和框的组合,合成一张图片;
3)模型训练:将经过数据增强的图片传入改进后的Unet特征提取网络中进行训练,在改进后的Unet特征提取网络中,采用注意力机制和强化学习,采用L2loss的计算方式,进行图片的训练,Unet特征提取网络采用强化学习找到合适的通道数,过程如下:首先设定搜索的Unet的通道数为1-30;初始化DQN的记忆库Memory D,设置它的容量为200;初始化Q估计网络,随机生成权重ωω;初始化target Q网络,权重为ω-=ω ω-=ω;初始化最初状态initial state S1S1;循环遍历step=1,2,…,100,策略生成action atat,at=maxaQ(St,a;ω)at=maxaQ(St,a;ω);其中St代表loss的值,a代表行为选择的通道数,执行actionatat,接收reward rtrt及新的state St+1St+1;reward rtrt表示接收的奖励,将(St,at,rt,St+1)(St,at,rt,St+1)存入D中;从D中随机抽取一个minibatch的transitions(Sj,aj,rj,Sj+1)(Sj,aj,rj,Sj+1);令yj=rjyj=rj,如果j+1j+1步是terminal的话,否则,令yj=rj+γmaxa′Q(St+1,a′;ω-)yj=rj+γmaxa′Q(St+1,a′;ω-);对(yj-Q(St,aj;ω))2(yj-Q(St,aj;ω))2关于ωω使用梯度下降法进行更新;每隔C steps更新target Q网络,ω-=ω ω-=ω,最终找到合适的通道数;
4)实现去除水印:最终保存的训练loss值最低的模型权重,进行模型权重加载对视频进行去除水印操作,将视频提取出带水印和不带水印的图片作为训练样本,以去除水印后的样本和无水印的样本作为像素级别对比,对比准确度和平均误差mse,在进行多次的训练后,使准确率和平均误差都达到最优,能够得到训练好的预设权重,加载出预设权重,对带水印的视频进行处理。
2.根据权利要求1所述的基于深度学习的去除视频水印的方法,其特征在于,步骤3)中所述的L2loss的计算方式为在去除水印视频方法时损失函数计算的时候,采用对于L2损失函数计算,该函数的最优解在被估计真实平均值处取得z,z=Ey{y},计算损失值的函数为L(z,y)=(z-y)2,在网络中输入目标对(xi,yi)优化,主要是优化arg minθE(x,y){L(fθ(x),y)},其中,网络函数为fθ(x),θ为网络参数,网络学习到输出所有可能结果的平均值,当给定的训练数据无限多时,目标函数的解与原目标函数的解相同,当训练数据有限多时,估计的均方误差等于目标中的噪声的平均方差除以训练样例的数目,即:
3.根据权利要求1所述的基于深度学习的去除视频水印的方法,其特征在于,步骤3)中所述的改进后的Unet特征提取网络为:U-net特征提取网络特征提取是用于图像分割,分割出图像中所需要物体一个完整准确的轮廓,它全程采用valid来进行卷积下采样,然后提取出一层又一层的特征,利用这一层又一层的特征,再进行上采样,允许更多的原图片的纹理信息在高分辨率层进行传播,在上采样部分融合一部分特征,最后得出一个每个像素点对应其种类的图像,在改进的unet部分,采用强化学习DQN方法,搜索最优通道参数,减少unet的通道数量,使它的参数原本从1200w减少到200w,同时采用注意力机制,对一些需要重点特征的区域,投入更多的权重,抑制图片中与水印无关的其它特征。
4.根据权利要求2所述的基于深度学习的去除视频水印的方法,其特征在于,所述强化学习DQN方法为:DQN中采用卷积神经网络来逼近行为值函数,一个是采用target Qnetwork来更新target,还有一个是采用经验回放Experience replay,DQN中经验回放即用一个Memory来存储经历过的数据,每次更新参数的时候从Memory中抽取一部分数据来用于更新,以此来打破数据间的关联,最终来找到最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806036.4A CN111918144A (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的去除视频水印的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806036.4A CN111918144A (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的去除视频水印的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111918144A true CN111918144A (zh) | 2020-11-10 |
Family
ID=73284320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806036.4A Pending CN111918144A (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的去除视频水印的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111918144A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379833A (zh) * | 2021-06-25 | 2021-09-10 | 合肥工业大学 | 一种基于神经网络的图像可见水印的定位和分割方法 |
CN113569866A (zh) * | 2021-07-15 | 2021-10-29 | 桂林电子科技大学 | 一种基于深度学习识别hpv试纸的方法 |
CN113935882A (zh) * | 2021-09-27 | 2022-01-14 | 暨南大学 | 基于卷积特征融合的水印去除方法、装置、设备和介质 |
CN114495110A (zh) * | 2022-01-28 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法、生成器训练方法、装置及存储介质 |
CN116342363A (zh) * | 2023-05-31 | 2023-06-27 | 齐鲁工业大学(山东省科学院) | 基于两阶段深度神经网络的可见水印去除方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
CN107993190A (zh) * | 2017-11-14 | 2018-05-04 | 中国科学院自动化研究所 | 图像水印去除装置 |
CN108205802A (zh) * | 2016-12-23 | 2018-06-26 | 北京市商汤科技开发有限公司 | 深度神经网络模型训练、图片处理方法及装置和设备 |
CN109345441A (zh) * | 2018-10-19 | 2019-02-15 | 上海唯识律简信息科技有限公司 | 一种基于生成对抗网络的图像去水印方法和系统 |
CN109472260A (zh) * | 2018-10-31 | 2019-03-15 | 成都索贝数码科技股份有限公司 | 一种基于深度神经网络的移除图像内台标和字幕的方法 |
CN110599387A (zh) * | 2019-08-08 | 2019-12-20 | 北京邮电大学 | 一种自动去除图片水印的方法及装置 |
CN110782385A (zh) * | 2019-12-31 | 2020-02-11 | 杭州知衣科技有限公司 | 一种基于深度学习的图像水印的去除方法 |
CN110852273A (zh) * | 2019-11-12 | 2020-02-28 | 重庆大学 | 一种基于强化学习注意力机制的行为识别方法 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111127346A (zh) * | 2019-12-08 | 2020-05-08 | 复旦大学 | 基于部分到整体注意力机制的多层次图像修复方法 |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
US20200193226A1 (en) * | 2018-12-17 | 2020-06-18 | King Fahd University Of Petroleum And Minerals | Enhanced deep reinforcement learning deep q-network models |
-
2020
- 2020-08-12 CN CN202010806036.4A patent/CN111918144A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205802A (zh) * | 2016-12-23 | 2018-06-26 | 北京市商汤科技开发有限公司 | 深度神经网络模型训练、图片处理方法及装置和设备 |
CN107993190A (zh) * | 2017-11-14 | 2018-05-04 | 中国科学院自动化研究所 | 图像水印去除装置 |
CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
CN109345441A (zh) * | 2018-10-19 | 2019-02-15 | 上海唯识律简信息科技有限公司 | 一种基于生成对抗网络的图像去水印方法和系统 |
CN109472260A (zh) * | 2018-10-31 | 2019-03-15 | 成都索贝数码科技股份有限公司 | 一种基于深度神经网络的移除图像内台标和字幕的方法 |
US20200193226A1 (en) * | 2018-12-17 | 2020-06-18 | King Fahd University Of Petroleum And Minerals | Enhanced deep reinforcement learning deep q-network models |
CN110599387A (zh) * | 2019-08-08 | 2019-12-20 | 北京邮电大学 | 一种自动去除图片水印的方法及装置 |
CN110852273A (zh) * | 2019-11-12 | 2020-02-28 | 重庆大学 | 一种基于强化学习注意力机制的行为识别方法 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111127346A (zh) * | 2019-12-08 | 2020-05-08 | 复旦大学 | 基于部分到整体注意力机制的多层次图像修复方法 |
CN110782385A (zh) * | 2019-12-31 | 2020-02-11 | 杭州知衣科技有限公司 | 一种基于深度学习的图像水印的去除方法 |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
Non-Patent Citations (5)
Title |
---|
DANNI CHENG,XIANG LI,WEI-HONG LI等: "Large-Scale Visible Watermark Detection and Removal with Deep Convolutional Networks", 《CHINESE CONFERENCE ON PATTERN RECOGNITION & COMPUTER VISION.SPRINGER》 * |
VOLODYMYR MNIH,KORAY KAVUKCUOGLU,DAVID SILVER等: "Human-level control through deep reinforcement learning", 《NATURE》 * |
刘波: "基于深度学习的图像可见水印的检测及去除方法研究", 《中国优秀硕士学位论文全文数据库》 * |
彼得·布尔曼,萨拉范德·吉尔: "《高维数据统计方法、理论与应用》", 30 September 2018 * |
葛道辉,李洪升,张亮,刘如意,沈沛意,苗启广: "轻量级神经网络架构综述", 《软件学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379833A (zh) * | 2021-06-25 | 2021-09-10 | 合肥工业大学 | 一种基于神经网络的图像可见水印的定位和分割方法 |
CN113379833B (zh) * | 2021-06-25 | 2022-08-05 | 合肥工业大学 | 一种基于神经网络的图像可见水印的定位和分割方法 |
CN113569866A (zh) * | 2021-07-15 | 2021-10-29 | 桂林电子科技大学 | 一种基于深度学习识别hpv试纸的方法 |
CN113935882A (zh) * | 2021-09-27 | 2022-01-14 | 暨南大学 | 基于卷积特征融合的水印去除方法、装置、设备和介质 |
CN113935882B (zh) * | 2021-09-27 | 2024-07-12 | 暨南大学 | 基于卷积特征融合的水印去除方法、装置、设备和介质 |
CN114495110A (zh) * | 2022-01-28 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法、生成器训练方法、装置及存储介质 |
CN116342363A (zh) * | 2023-05-31 | 2023-06-27 | 齐鲁工业大学(山东省科学院) | 基于两阶段深度神经网络的可见水印去除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111918144A (zh) | 一种基于深度学习的去除视频水印的方法 | |
CN109389556B (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
Ying et al. | From patches to pictures (PaQ-2-PiQ): Mapping the perceptual space of picture quality | |
CN110782399B (zh) | 一种基于多任务cnn的图像去模糊方法 | |
CN113658051A (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
CN111861925B (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
CN110349087B (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN108734675B (zh) | 基于混合稀疏先验模型的图像复原方法 | |
CN108805151B (zh) | 一种基于深度相似性网络的图像分类方法 | |
CN115880298B (zh) | 一种基于无监督预训练的玻璃表面缺陷检测系统 | |
CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
CN112489164B (zh) | 基于改进深度可分离卷积神经网络的图像着色方法 | |
CN114463218B (zh) | 一种基于事件数据驱动的视频去模糊方法 | |
CN113657528B (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
CN112037109A (zh) | 一种改进的基于显著性目标检测的图像水印添加方法和系统 | |
CN112785637A (zh) | 一种基于动态融合网络的光场深度估计方法 | |
CN113139544A (zh) | 一种基于多尺度特征动态融合的显著性目标检测方法 | |
CN110782385A (zh) | 一种基于深度学习的图像水印的去除方法 | |
CN111861935B (zh) | 一种基于图像修复技术的去雨方法 | |
CN112598604A (zh) | 一种盲脸复原方法及系统 | |
CN111666949A (zh) | 一种基于迭代分割的图像语义分割方法 | |
CN113436220B (zh) | 一种基于深度图分割的图像背景估计方法 | |
CN116977220B (zh) | 基于图像质量启发的盲图像去运动模糊算法 | |
CN117745593B (zh) | 一种基于扩散模型老照片划痕修复方法与系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201110 |
|
WD01 | Invention patent application deemed withdrawn after publication |