CN112115960A - 一种收藏品鉴别方法和系统 - Google Patents

一种收藏品鉴别方法和系统 Download PDF

Info

Publication number
CN112115960A
CN112115960A CN202010544328.5A CN202010544328A CN112115960A CN 112115960 A CN112115960 A CN 112115960A CN 202010544328 A CN202010544328 A CN 202010544328A CN 112115960 A CN112115960 A CN 112115960A
Authority
CN
China
Prior art keywords
collection
image
identification
convolution
identifying
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
CN202010544328.5A
Other languages
English (en)
Inventor
曹辉
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010544328.5A priority Critical patent/CN112115960A/zh
Publication of CN112115960A publication Critical patent/CN112115960A/zh
Pending legal-status Critical Current

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例提供了一种收藏品鉴别方法和系统，可解决现有技术收藏品鉴别困难的问题。所述收藏品鉴别方法包括：获取收藏品图像；根据收藏品图像利用收藏品鉴别模型对收藏品进行鉴别。本发明的实施例通过基于深度学习的收藏品鉴定方法，在收藏品鉴定实践中，与现有技术的鉴定方法相比，准确度高，不需要人为鉴定，使用简便，快捷高效。

Description

一种收藏品鉴别方法和系统
技术领域
本发明涉及收藏品鉴别技术，具体涉及一种利用人工智能技术通过收藏品图像或视频的收藏品鉴别方法和系统，用于辅助收藏品真伪鉴定。
背景技术
随着收藏品市场的蓬勃发展，一些人仿造、伪造收藏品牟取暴利，导致市场充斥着各类仿冒收藏品，给收藏者，特别是初级收藏者，带来了很大困扰。聘请专家鉴别固然是可行的办法，但并非每个初级收藏者都具备聘请专家的条件，对于少量单价并不特别高的收藏品，如：银币、铜钱等，也未必有聘请专家人工鉴定的必要。
大部分收藏品具有很多版本、样式或门类，以袁世凯像系列银币(俗称：袁大头)为例，可分为民国三年版、民国八年版、民国九年版和民国十年版，按文字局部特征可分为：普通版、正楷田华版、草头华版、直年版、竖年连口造版、ㄏ年版(正楷年)、牛造版、连口造版、缺口造版、珠點连口造版、五珠连口造版、按图形局部特征可分为：大嘉禾版、小嘉禾版、O版等；其它还可以分为中央铸造版和地方铸造版等。这些银元各不相同，但均属真币。
收藏品伪造方法多种多样，其对应的鉴别方法也不一而同。随着技术不断进展，伪造工艺也不断提高，一些伪造收藏品几乎可以以假乱真，鉴别难度较大。即使专家人为鉴别，也时常出现各专家意见不一致的情况。这些也都给鉴定收藏品真伪带来了很大困难。具体而言，现有的鉴别方法及其不足有：
(1)传统鉴别方法：传统鉴别方法主要测量收藏品的材质、大小、密度等物理特征，从而鉴别收藏品特征。但一些收藏品伪造过程中，造假者不惜成本，采用同样材质，则此方法难以鉴别。以银元为例，一些伪造银元重量标准、银质纯正、撞击音清亮，无法通过“一看二称三听音”的传统方法鉴别。
(2)在线专家鉴别：通过在线方式由专家远程观看收藏品的图像或视频，给出判定意见，实际上仍然是人工鉴别。用户往往难以得到实时的鉴别意见。
(3)在线自动鉴别：往往通过对收藏品的图像和视频，由系统自动进行判断。真伪收藏品存在一定视觉特征差异，这也是专家鉴别的主要依据。但是这种视觉特征差异种类众多，细节从生，绝大多数收藏者难以完全掌握。同时，精密机床等高端制造业设备逐步应用到收藏品伪造中，真伪收藏品的视觉差异也日渐减小。导致传统的图像识别方法难以准确鉴别收藏品真伪。计算机系统如何能准确识别真伪收藏品，是需要解决的难题。
发明内容
本发明的实施例提供了一种收藏品鉴别方法和系统，可解决现有技术收藏品鉴别困难的问题。
本发明的实施例提供了一种收藏品鉴别方法，包括：
获取收藏品图像；
根据收藏品图像利用收藏品鉴别模型对收藏品进行鉴别。
所述方法包括收藏品鉴别模型生成步骤：
采集收藏品图像；
对采集的收藏品图像进行标注以获得图像特征；
针对每一个图像特征进行图像预处理；
针对每一预处理的图像特征利用基于卷积技术或深度可分卷积层技术的深度学习方法训练生成收藏品鉴别子模型；
将所述收藏品子模型集成为一个收藏品鉴别模型。
所述深度学习方法是：标准CNN、FasterRCNN、ResNet、Inception、Xception、 VGG基于卷积的图像和/或视频分类算法。
超参数设置：卷积核选择3×3卷积核，或者是5×5卷积核；激活函数为Relu、Tanh。
所述图像特征整体特征和局部特征。
所述将所述收藏品子模型集成为一个收藏品鉴别模型的方法是：集成学习方法和/或投票方法。
本发明的实施例还提供了一种收藏品鉴别系统，其根据上述的收藏品鉴别方法。
本发明的实施例通过基于深度学习的收藏品鉴定方法，在收藏品鉴定实践中，与现有技术的鉴定方法相比，准确度高，不需要人为鉴定，使用简便，快捷高效。
附图说明
图1为本发明实施例的收藏品鉴别的整体框架图；
图2为本发明实施例的模型集成步骤的流程图；
图3为本发明实施例的图像标注方法。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明，现结合附图描绘本发明的实施例。
实施例一
如图1所示，本实施例提供了一种收藏品鉴别方法，其包括：获取收藏品图像；根据收藏品图像利用收藏品鉴别模型对收藏品进行鉴别。收藏品鉴别模型对于收藏品的鉴别起着至关重要的作用。
在本申请中，采用人工智能中的深度学习技术，特别是利用卷积层对收藏品的图像特征进行识别，以解决收藏品细节特征识别问题，达到比较准确地鉴定收藏品真伪的目的。因此，本发明的收藏品鉴别方法包括收藏品鉴别模型生成方法和收藏品鉴别方法两个过程。其中收藏品鉴别模型生成方法包括以下步骤：本实施例中，收藏品为袁世凯头像系列银币，包括三年版、八年版、九年版和十年版等常见版本。
步骤S11：采集收藏品图像：采集一定量的真伪收藏品图像，形成训练数据集。采集的图像应包含真伪应尽可能覆盖真伪收藏品的主要类别；即真收收藏品的图像应尽可能覆盖收藏品的各种年代、样式、版本，能够体现各版本收藏品的细微差别；假收藏品的图像应尽可能覆盖常见的鉴别方法能够识别出的漏洞。采集图像应足够清晰，能够作为特征识别的依据。图像应包含具有收藏品视觉特征的各个角度的图像，如收藏品的正面、侧面、底面、顶面等。
具体而言，对采集的银币正面(人像)、背面(图案)和侧面(边齿)分别归类，采集的图像应覆盖三年版、八年版、九年版和十年版，对一些特殊银元，如：0版、地方版等也可尽可能覆盖。也应尽可能覆盖边齿压力不足、银色不正、字迹不对、喷砂等主要伪造特征。如图3所示。
步骤S12：图像标注：对采集到的图像进行标注以获得图像特征，对收藏品的轮廓进行整体标注，勾画出对收藏品鉴别有意义区域的外围轮廓。其次图像中的一些特殊区域包含了关键特征，对鉴别起到重要作用，如银元的正面字迹与嘉禾图案、瓷器的底款字迹、景泰蓝的攒刻字迹等。对收藏品鉴别起关键作用的特殊区域进行重点标注，标注应声明标签，即此全局图像或局部图像为真收藏品或是伪造收藏品。
整体标注勾画银币正面、背面和侧面图像的有效范围。局部重点标注勾画重点特征，主要包括：正面，字迹、胡须、肩章、左下角边齿等；背面，字迹、嘉禾图案、长叶图案、左侧边齿等。标注情况如表1及图3所示。
表1
Figure RE-GDA0002771440030000041
Figure RE-GDA0002771440030000051
步骤S13：图像预处理：对图像进行标准化处理，通过剪裁与缩放，使全部图像样本宽度和高度按类相等。优选的，将每一组预处理的图像生成一个图像组如所有标注过的正面图像为一组、所有标注过的“中”字字迹为一组，以此类推完成所有整体标注和局部标注图像分组。
步骤S14：子模型训练：对每一个图像特征组训练一个子模型。如图2所示，可以采用深度可分卷积网络(XceptionNet)算法对多个特征中的每一特征分别进行训练。首先根据每一组重点标注特征训练出n个子模型，这里算法采用了大量深度可分卷积层(Depthwise Separable Convolution)、标准卷积层、最大池化层、全局平均池化层等组合的网络结构，采用ReLu作为激活函数。
其中标准卷积层的作用是产生更易于分类的图像特征。具体步骤如下：利用3×3大小的卷积核进行点乘并求和，生成新图像的一个像素。
其中深度可分卷积层的作用是高效等学习丰富的特征，并生成准确的判断。具体步骤如下：
第一步：提取整体标注过的图像正面(人像)、背面(图案)和侧面(边齿)的每一个RGB颜色数组，称为颜色通道(Channel)。
同理，提取局部标注的字迹、胡须等图像提取其图像的RGB颜色值生成多个通道。
第二步：对以上的通道分别进行3×3卷积核的卷积变换。
Figure RE-GDA0002771440030000061
这里g是变换后的输出图像，f变换前的输入图像，h是卷积核，
Figure RE-GDA0002771440030000062
代表卷积运算。
等价于：
g(i，j)＝∑f(i+k，j+l)h(k，l)
第三步：对每个RGB通道组合(Concat)以上各通道的卷积变换结果。
Figure RE-GDA0002771440030000063
这里Z是组合后的输出，f变换前的输入图像，h是卷积核，xR、xG、xB分别是R、G、B通道上的输入，
Figure RE-GDA0002771440030000064
代表卷积运算。
第四步：对组合的变换结果进行1×1卷积变换。
步骤S15：模型集成：加载对上一步预训练生成的多个子模型，将其集成为一个集成模型。集成方法可以是：集成学习方法、投票方法(voting)。
步骤S16：模型发布：制作调用步骤S15中集成模型的移动应用(APP)并将其发布。移动应用可以采用在线模式，即：集成模型部署在云端，移动端仅有调用集成模型的接口，移动端将待鉴别收藏品图像或视频上传后，由云端的集成模型进行判断并将结果返回给移动端；也可以采用下发模式，即：集成模型包含在移动应用内，待鉴别收藏品的真伪完全由移动端离线判断。
其中鉴别收藏品的方法包括以下步骤：
S21：下载移动应用：从应用商店下载移动应用，并安装到移动端。
S22：采集待鉴别收藏品图像：打开移动应用，分别对待鉴定收藏品的正面、背面、侧面、底面、顶面等拍照。
S23：得到鉴别结果：得到待鉴定收藏品分别是真品和伪造品的预测可能性。
本发明提供了一种基于深度学习的收藏品鉴定方法，具备以下有益效果：
本发明可以生成用于收藏品鉴定的模型，与现在鉴定方法相比，准确度高，不需要人为鉴定，使用简便，快捷高效。
实施例二
本实施例公开了一种收藏品鉴别系统，其根据实施例一所述的收藏品鉴别方法，通过该收藏品鉴别系统，可实现简便，快捷高效对收藏品进行鉴定，且准确度较高、不需要人为鉴定。
上述实施例通过类似于应用程序的逻辑关系对本发明进行了描述，本领域技术人员知道，上述逻辑关系是通过逻辑电路来实现的，即上述各个单元由逻辑电路实现的，而不是单纯的计算机程序。而不是应用程序所实现的技术方案。当然，其可由计算机程序来实现。
本发明所涉及的一种收藏品真伪鉴别的方法，是以深度学习技术的图像识别为基础，可在移动端(如，手机、平板电脑、计算机或专用移动设备等)部署和实现，其包括：鉴别系统生成方法和鉴别系统使用方法等。本发明具有辅助辨别含有图像和视频信息的银元、金币等收藏品真伪，提高收藏品爱好者辨别能力的有益效果，其主要用于含有图文和视频信息的收藏品鉴别。
本实施例的各个单元的工作原理可参见实施例一的描述。
虽然通过实施例描绘了本发明，但本领域普通技术人员知道，在不脱离本发明的精神和实质的情况下，就可使本发明有许多变形和变化，本发明的范围由所附的权利要求来限定。

Claims (7)

1.一种收藏品鉴别方法，其特征在于，包括：
获取收藏品图像；
根据收藏品图像利用收藏品鉴别模型对收藏品进行鉴别。
2.根据权利要求1所述的方法，其特征在于，所述方法包括收藏品鉴别模型生成步骤：
采集收藏品图像；
对采集的收藏品图像进行标注以获得图像特征；
针对每一个图像特征进行图像预处理；
针对每一预处理的图像特征利用基于卷积技术或深度可分卷积层技术的深度学习方法训练生成收藏品鉴别子模型；
将所述收藏品子模型集成为一个收藏品鉴别模型。
3.根据权利要求2所述的方法，其特征在于，所述深度学习方法是：标准CNN、FasterRCNN、ResNet、Inception、Xception、VGG基于卷积的图像和/或视频分类算法。
4.根据权利要求2所述的方法，其特征在于，超参数设置：卷积核选择3×3卷积核，或者是5×5卷积核；激活函数为Relu、Tanh。
5.根据权利要求2所述的方法，其特征在于，所述图像特征整体特征和局部特征。
6.根据权利要求2所述的方法，其特征在于，所述将所述收藏品子模型集成为一个收藏品鉴别模型的方法是：集成学习方法和/或投票方法。
7.一种收藏品鉴别系统，其特征在于，根据权利要求1-5所述的收藏品鉴别方法。
CN202010544328.5A 2020-06-15 2020-06-15 一种收藏品鉴别方法和系统 Pending CN112115960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010544328.5A CN112115960A (zh) 2020-06-15 2020-06-15 一种收藏品鉴别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010544328.5A CN112115960A (zh) 2020-06-15 2020-06-15 一种收藏品鉴别方法和系统

Publications (1)

Publication Number Publication Date
CN112115960A true CN112115960A (zh) 2020-12-22

Family

ID=73799278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010544328.5A Pending CN112115960A (zh) 2020-06-15 2020-06-15 一种收藏品鉴别方法和系统

Country Status (1)

Country Link
CN (1) CN112115960A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815922A (zh) * 2016-11-14 2017-06-09 杭州数生科技有限公司 一种基于手机app和云平台的纸币鉴伪方法及系统
CN106920320A (zh) * 2015-12-28 2017-07-04 浙江维融电子科技股份有限公司 一种2015年版人民币胶印对印图案的鉴别装置及其鉴别方法
CN107862785A (zh) * 2017-10-16 2018-03-30 深圳市中钞信达金融科技有限公司 票据鉴定方法及装置
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质
CN109145979A (zh) * 2018-08-15 2019-01-04 上海嵩恒网络科技股份有限公司 敏感图像鉴定方法及终端系统
CN109389615A (zh) * 2018-09-29 2019-02-26 佳都新太科技股份有限公司 基于深度学习卷积神经网络的硬币识别方法及处理终端
CN110222728A (zh) * 2019-05-15 2019-09-10 图灵深视(南京)科技有限公司 物品鉴别模型的训练方法、系统及物品鉴别方法、设备
CN111046932A (zh) * 2019-12-03 2020-04-21 内蒙古拜欧牧业科技有限公司 模型训练方法、肉类鉴别方法、装置、终端和存储介质
US20200160502A1 (en) * 2018-11-16 2020-05-21 Artificial Intelligence Foundation, Inc. Identification of Neural-Network-Generated Fake Images
CN111259894A (zh) * 2020-01-20 2020-06-09 普信恒业科技发展（北京）有限公司 一种证件信息鉴别方法、装置及计算机设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920320A (zh) * 2015-12-28 2017-07-04 浙江维融电子科技股份有限公司 一种2015年版人民币胶印对印图案的鉴别装置及其鉴别方法
CN106815922A (zh) * 2016-11-14 2017-06-09 杭州数生科技有限公司 一种基于手机app和云平台的纸币鉴伪方法及系统
CN107862785A (zh) * 2017-10-16 2018-03-30 深圳市中钞信达金融科技有限公司 票据鉴定方法及装置
CN108520285A (zh) * 2018-04-16 2018-09-11 清华大学 物品鉴别方法、系统、设备及存储介质
CN109145979A (zh) * 2018-08-15 2019-01-04 上海嵩恒网络科技股份有限公司 敏感图像鉴定方法及终端系统
CN109389615A (zh) * 2018-09-29 2019-02-26 佳都新太科技股份有限公司 基于深度学习卷积神经网络的硬币识别方法及处理终端
US20200160502A1 (en) * 2018-11-16 2020-05-21 Artificial Intelligence Foundation, Inc. Identification of Neural-Network-Generated Fake Images
CN110222728A (zh) * 2019-05-15 2019-09-10 图灵深视(南京)科技有限公司 物品鉴别模型的训练方法、系统及物品鉴别方法、设备
CN111046932A (zh) * 2019-12-03 2020-04-21 内蒙古拜欧牧业科技有限公司 模型训练方法、肉类鉴别方法、装置、终端和存储介质
CN111259894A (zh) * 2020-01-20 2020-06-09 普信恒业科技发展（北京）有限公司 一种证件信息鉴别方法、装置及计算机设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
KIRAN KAMBLE等: "Counterfeit Currency Detection using Deep Convolutional Neural Network", 《2019 IEEE PUNE SECTION INTERNATIONAL CONFERENCE (PUNECON)》, pages 1 - 4 *
朱等虹: "基于多特征的多分类器融合决策印鉴识别", 《计算机工程与应用》, pages 215 - 217 *
李昌春等: "高阶统计与局部几何特征结合的货币图像识别", 《计算机工程与应用》, vol. 49, no. 23, pages 141 - 144 *
柏延臣等: "《遥感信息的不确定性研究 分类与尺度效应模型》", 30 April 2003, 地质出版社, pages: 55 - 56 *
金博: "基于模式识别的书画真伪检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 04, pages 144 - 15 *

Similar Documents

Publication Publication Date Title
Bhatt et al. Memetically optimized MCWLD for matching sketches with digital face images
CN111523462B (zh) 基于自注意增强cnn的视频序列表情识别系统及方法
CN111967427A (zh) 一种伪造人脸视频鉴别方法、系统和可读存储介质
CN106599854B (zh) 基于多特征融合的人脸表情自动识别方法
CN107958217A (zh) 一种基于深度学习的指纹分类识别系统及方法
CN112069891B (zh) 一种基于光照特征的深度伪造人脸鉴别方法
CN109829924B (zh) 一种基于主体特征分析的图像质量评价方法
Kanda et al. A deep learning-based recognition technique for plant leaf classification
Folego et al. From impressionism to expressionism: Automatically identifying van Gogh's paintings
Kim et al. Exposing fake faces through deep neural networks combining content and trace feature extractors
CN116863218A (zh) 一种基于关键鉴定部位的商品真伪鉴定方法及系统
Pawade et al. Comparative study of different paper currency and coin currency recognition method
Dong et al. Texture classification using pair-wise difference pooling-based bilinear convolutional neural networks
Saeed A framework for recognition of facial expression using HOG features
Sharma et al. A comprehensive study on offline signature verification
CN113537173B (zh) 一种基于面部补丁映射的人脸图像真伪识别方法
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
Rusia et al. A Color-Texture-Based Deep Neural Network Technique to Detect Face Spoofing Attacks
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN112115960A (zh) 一种收藏品鉴别方法和系统
Blessy et al. Deep Learning Approach to Offline Signature Forgery Prevention
CN115795394A (zh) 层级多模态和高级增量学习的生物特征融合身份识别方法
Bilinski et al. Representing visual appearance by video brownian covariance descriptor for human action recognition
CN114723953A (zh) 一种面向图像来源检测的深度神经网络
Chopra TreeID: An image recognition system for plant species identification

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