CN112464015A - 一种基于深度学习的图像电子证据筛选方法 - Google Patents
一种基于深度学习的图像电子证据筛选方法 Download PDFInfo
- Publication number
- CN112464015A CN112464015A CN202011494349.7A CN202011494349A CN112464015A CN 112464015 A CN112464015 A CN 112464015A CN 202011494349 A CN202011494349 A CN 202011494349A CN 112464015 A CN112464015 A CN 112464015A
- Authority
- CN
- China
- Prior art keywords
- image
- evidence
- screening
- deep learning
- classification
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 208000001613 Gambling Diseases 0.000 claims description 3
- MYWUZJCMWCOHBA-VIFPVBQESA-N methamphetamine Chemical compound CN[C@@H](C)CC1=CC=CC=C1 MYWUZJCMWCOHBA-VIFPVBQESA-N 0.000 claims description 3
- 229960001252 methamphetamine Drugs 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的图像电子证据筛选方法，包括从电子设备中获取数据为证据源，复制证据源进行图像预处理得到图像证据数据集；将图像证据数据集输送到深度学习分类网络中进行分类，保存分类结果和分类特征；同时将图像证据数据集输送到深度学习检测网络中进行检测，保存检测结果和检测特征；将分类结果和检测结果进行阈值判别，筛选出相同目标类别；将分类特征和检测特征进行特征比对，筛选出相同目标类别；经过阈值筛选和特征比对的同目标类别图像即为电子证据。为了提高图像电子证据的精度，采用两种深度学习方法进行图像电子证据筛选；为了提高图像电子证据的有效性，运用阈值筛选和特征比对的方法进行图像电子证据筛选。
Description
技术领域
本发明涉及图像处理技术和深度学习算法领域，具体的说，涉及了一种基于深度学习的图像电子证据筛选方法。
背景技术
往往在涉嫌犯罪案件的电子设备中存储着大量可疑图像、语音、文本、视频等文件，这其中可疑图像的筛选提取相较于其他文件最为常见。随着5G通信技术的发展，网速的不断提升，智能设备中芯片、处理器及摄像头的品质在不断提升，存储量也在不断提高。预计图像及视频数据相应的会出现爆炸式增长，这给电子取证中电子数据收集筛选带来新的挑战。
目前，司法人员在办案过程中对获取有效图像电子证据看得非常重视，但由于图像电子数据数量巨大，传统上司法人员在提取图像电子证据时，依旧采取人工的方法，将大量的图像电子数据复制保存下来，在获取图像电子数据后，通过人眼不停检查和所设定的有价值图像电子证据目标值展开对比，从而进行区分，这种方式很简单，但是容易受到人的主观和情绪等因素的影响，往往偏差很大，需要很大的劳动量。这种人工特征提取的方法存在几个缺点：(1)工作量主要是利用人工执行的，人员消耗多，精度值较低并且工作效率低，导致占用了大量有限的取证时间。(2)特征提取只适用于特定场景的特定物品，一旦物品变换，算法也需要更换，缺乏通用性。(3)人工特征提取需要专业人员的经验，对算法人员专业性要求较高。
为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的在于提供一种基于深度学习的图像电子证据筛选方法，解决图像电子证据取证难题，实现司法机关在办案过程中对所需图像电子证据的筛选。
为实现上述目的，本发明提出了一种基于深度学习的图像电子证据筛选方法，包括以下步骤：
(1)在涉嫌犯罪案件的电子设备中获取图像数据为图像证据源，复制图像证据源，留存原件；
(2)对复制的图像证据源进行图像预处理得到图像证据数据集；
(3)将步骤(2)得到的图像证据数据集送入到深度学习分类网络中进行分类，保存图像特征，输出多目标分类结果；
(4)对步骤(2)得到的图像证据数据集送入到深度学习检测网络中进行检测，保存图像特征，输出多目标类别结果；
(5)对步骤(3)得到的多目标分类结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习分类算法筛选出的电子证据图像；
对步骤(4)得到的多目标类别结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习检测算法筛选出的电子证据图像；
(6)运用阈值筛选方法，对步骤(5)得到的深度学习分类算法筛选出的电子证据图像和检测算法筛选出的电子证据图像进行同一目标判断，输出高精度目标图像；
(7)从步骤(3)和步骤(4)保存的图像特征中检索出步骤(6)输出的高精度目标图像的图像特征，对步骤(6)输出的高精度目标图像的图像特征进行特征比对，比对输出的结果即为深度学习算法筛选的电子证据图像。
基于上述，所述电子设备包括计算机、手机、U盘、硬盘和光盘，通过对所述电子设备的破译获取电子信息，所述电子信息包括图像、语音、文本和视频，通过文件后缀名的限制筛选获得图像和视频文件作为图像证据源。
基于上述，所述图像预处理方法为：将图像文件格式转换为.jpg格式，将视频文件进行帧切分，并保存每一帧图像为.jpg格式；将转化后的图像文件和视频文件合并为一个文件作为图像证据数据集，对图像证据数据集做尺寸归一化处理，宽乘以448/W，高乘以448/H，归一化为(3，448，448)；其中W为原图像的宽，H为原图像的高。
基于上述，所述标签类别包括1：冰毒，2：刀具，3：枪支，4：黄色，5：赌博，6：支付，7：其他。
基于上述，将尺寸归一化的图像证据数据集送入到ResNet50分类网络中，对多目标进行分类，输出分类图片数据集{IC1,IC2,…,IC7}，分类特征集{FC1,FC2,…,FC7}；
将尺寸归一化的图像证据数据集送入到Faster RCNN检测网络中，对多目标进行检测，输出检测图片数据集{ID1,ID2,…,ID7}，检测特征集{FD1,FD2,…,FD7}。
基于上述，根据目标类别，用标签筛选出单一类别或者多类别图像电子证据,输出分类图片数据集{ICi,ICj}，分类特征集{FCi,FCj}，检测图片数据集{IDi,IDj}，检测特征集{FDi,FDj}，其中{i,j}∈(1,7)。
基于上述，步骤(6)为：设置筛选阈值，把分类图片数据集和检测图片数据集大于所述阈值的图像筛选出来；
其中，
为分类图片数据集中ICi的分类阈值；
为检测图片数据集中IDi的检测阈值；T为筛选阈值，赋值为0.9899。
基于上述，根据筛选出的高精度目标图像，在分类特征集{FCi,FCj}和检测特征集{FDi,FDj}中检索出分类特征FCi和检测特征FDi，提取分类特征FCi和检测特征FDi的前512维特征进行欧氏距离比对，比对结果小于0.2的图像进行输出即为电子证据；其中，特征比对欧氏距离计算：
本发明相对现有技术具有突出的实质性特点和显著进步，具体的说，本发明为了提高图像电子证据的精度和有效性，先采用深度学习分类网络和深度学习检测网络两种深度学习方法进行图像电子证据筛选，再运用阈值筛选和特征比对的方法进行图像电子证据筛选。本发明方法既能提高电子证据的准确度，又能极大降低人工成本缩减取证时间。
附图说明
图1为本发明所述的基于深度学习的图像电子证据筛选方法流程附图。
图2为本发明所述的Faster RCNN网络结构附图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1所示，本发明提供一种基于深度学习的图像电子证据筛选方法，包括：
(1)在涉嫌犯罪案件的电子设备中获取图像数据为图像证据源，复制图像证据源，留存原件；
(2)对复制的图像证据源进行图像预处理得到图像证据数据集；
(3)将步骤(2)得到的图像证据数据集送入到深度学习分类网络中进行分类，保存图像特征，输出多目标分类结果；
(4)对步骤(2)得到的图像证据数据集送入到深度学习检测网络中进行检测，保存图像特征，输出多目标类别结果；
(5)对步骤(3)得到的多目标分类结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习分类算法筛选出的电子证据图像；
对步骤(4)得到的多目标类别结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习检测算法筛选出的电子证据图像；
(6)运用阈值筛选方法，对步骤(5)得到的深度学习分类算法筛选出的电子证据图像和检测算法筛选出的电子证据图像进行同一目标判断，输出高精度目标图像；
(7)从步骤(3)和步骤(4)保存的图像特征中检索出步骤(6)输出的高精度目标图像的图像特征，对步骤(6)输出的高精度目标图像的图像特征进行特征比对，比对输出的结果即为深度学习算法筛选的电子证据图像。
具体的，本发明方法还包括步骤(8)，对步骤(7)筛选出的电子证据图像进行人工校验，即可确认为案件有效证据。
具体的，图像电子证据的电子设备一般包括计算机、手机、U盘、硬盘和光盘等，通过对所述电子设备的破译获取电子信息。所述电子信息一般包括图像、语音、文本和视频等文件，通过文件后缀名的限制筛选获得图像和视频文件为图像证据源。
所述图像预处理方法为：将图像文件统一转换为.jpg格式，将视频文件进行帧切分，并保存每一帧图像为.jpg格式；将转化后的图像文件和视频文件合并为一个文件称为图像证据数据集，对图像证据数据集做尺寸归一化处理，宽乘以448/W，高乘以448/H，归一化为(3，448，448)；其中W为原图像的宽，H为原图像的高。
对图像证据数据集进行分类和检测时，将尺寸归一化的图像证据数据集送入到ResNet50分类网络中，对多目标进行分类，进行初步的图像电子证据筛选，输出分类图片数据集{IC1,IC2,…,IC7}，分类特征集{FC1,FC2,…,FC7}。将尺寸归一化的图像证据数据集送入到Faster RCNN检测网络中，对多目标进行检测，再次进行图像电子证据的筛选，输出检测图片数据集{ID1,ID2,…,ID7}，检测特征集{FD1,FD2,…,FD7}。
其中，所述Faster RCNN检测网络的网络结构主要包括基础网络层、RPN网络、RoIpooling层以及目标分类与定位层。如图2所示。输入图像大小为P*Q，经过调整变为M*N，输入到13个卷积层和4个池化层，每个卷积层后面有一个ReLU函数处理，卷积层的卷积核为3*3，步长为1，池化层的池化大小为2*2，步长为2。RPN以任意大小的检查图像作为输入，并提供a矩形区域建议集作为输出。获得区域建议书，a小网络的3×3空间窗口的卷积特征地图滑过最后一个共享卷积层输出的卷积特征图。每个滑动窗口被映射到一个较低维的特征，并成为一个中间层。保留尽可能多的输入特征向量信息通过对特征图的维数进行降维和归一化ROI池化层。具体的转换向量包括4×4,2×2池化过程使用1×1向量。首先，有16个区域由4×4向量得到。在每个区域执行最大池化。接下来,应用2×2和1×1向量，做同样的操作。作为一个结果，对所提出的不同尺寸区域的降维进行了设置21。然后这一层被送入两个完全连接的分类层和回归层。在每个滑动窗口位置，多个区域建议同时进行预测，其中的数量在本文中，每个位置的最大可能建议数表示为k每个滑动位置使用18k＝9个锚。
所述Faster RCNN检测网络的分类层和回归层中的分类器和回归器工作如下：
1、分类器：建议包含一个对象的概率区域为在这一层计算。在特征图完全看完之后特征图i中每个元素包含目标的概率Pi使用softmax函数计算190个对象。Pi是该区域的前300的范围内区域建议。
2、回归器：在回归器中，使用相交于并集(IoU)作为索引来度量边界盒的精度，从而进行检测锚框中心点的坐标(x,y)和宽度这个盒子的w和长度h。损失计算公式为：
其中A和B是两个区域建议书的范围。假设(x,y)是所述区域中点的坐标，(w,h)为对应这个区域的宽度和高度。然后，可以描述一个建议的区域使用四维索引(x,y,w,h),(Px,Py,Pw,Ph),(G′x,G′y,G′w,G′h)和(Gx,Gy,Gw,Gh)分别代表锚盒，分别预测box和groundtruth框。IoU的窗口可以调整原窗口的边缘在回归过程中提出的目标区域。
所述Faster RCNN检测网络的损失函数采用：
其中，W＝[ω1，ω2，…，ωn]T是内核的参数，n是参数的内核，*即卷积乘法，X(K)＝[x1k，x2k，…，x3k]T是第k个输入，m是数据库的维数，yk是的实际标签第k个例子，γ是正规化惩罚因子。
进行标签类别筛选时，进行标签类别筛选时，目标类别标签设为1：冰毒，2：刀具，3：枪支，4：黄色，5：赌博，6：支付，7：其他。根据案件所需目标类别，用标签筛选出单一类别或者多类别图像电子证据,输出分类图片数据集{ICi,ICj}，分类特征集{FCi,FCj}，检测图片数据集{IDi,IDj}，检测特征集{FDi,FDj}，其中{i,j}∈(1,7)。
进行阈值筛选时，设置筛选阈值，把分类图片数据集和检测图片数据集大于所述阈值的图像筛选出来；
其中，
为分类图片数据集中ICi的分类阈值；
为检测图片数据集中IDi的检测阈值；T为筛选阈值，赋值为0.9899。
对步骤(6)输出的高精度目标图像的图像特征进行特征比对时，根据筛选出的高精度目标图像，在分类特征集{FCi,FCj}和检测特征集{FDi,FDj}中检索出分类特征FCi和检测特征FDi，提取分类特征FCi和检测特征FDi的前512维特征进行欧氏距离比对，比对结果小于0.2的图像进行输出即为电子证据；其中，特征比对欧氏距离计算：
本发明为了解决图像电子证据人工筛选效率低下问题，提出了一种基于深度学习的图像电子证据筛选方法。从电子设备中获取数据为证据源，复制证据源进行图像预处理得到图像证据数据集；将图像证据数据集输送到深度学习分类网络中进行分类，保存分类结果和分类特征；同时将图像证据数据集输送到深度学习检测网络中进行检测，保存检测结果和检测特征；将分类结果和检测结果进行阈值判别，筛选出相同目标类别；将分类特征和检测特征进行特征比对，筛选出相同目标类别；经过阈值筛选和特征比对的同目标类别图像即为电子证据。该方法既能提高电子证据的准确度，又能极大降低人工成本缩减取证时间。
Claims (8)
1.一种基于深度学习的图像电子证据筛选方法，其特征在于，包括以下步骤：
(1)在涉嫌犯罪案件的电子设备中获取图像数据为图像证据源，复制图像证据源，留存原件；
(2)对复制的图像证据源进行图像预处理得到图像证据数据集；
(3)将步骤(2)得到的图像证据数据集送入到深度学习分类网络中进行分类，保存图像特征，输出多目标分类结果；
(4)对步骤(2)得到的图像证据数据集送入到深度学习检测网络中进行检测，保存图像特征，输出多目标类别结果；
(5)对步骤(3)得到的多目标分类结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习分类算法筛选出的电子证据图像；
对步骤(4)得到的多目标类别结果进行标签类别筛选，提取案件所需的单一类别或多类别图像，输出深度学习检测算法筛选出的电子证据图像；
(6)运用阈值筛选方法，对步骤(5)得到的深度学习分类算法筛选出的电子证据图像和检测算法筛选出的电子证据图像进行同一目标判断，输出高精度目标图像；
(7)从步骤(3)和步骤(4)保存的图像特征中检索出步骤(6)输出的高精度目标图像的图像特征，对步骤(6)输出的高精度目标图像的图像特征进行特征比对，比对输出的结果即为深度学习算法筛选的电子证据图像。
2.根据权利要求1所述的基于深度学习的图像电子证据筛选方法，其特征在于：所述电子设备包括计算机、手机、U盘、硬盘和光盘，通过对所述电子设备的破译获取电子信息，所述电子信息包括图像、语音、文本和视频，通过文件后缀名的限制筛选获得图像和视频文件作为图像证据源。
3.根据权利要求1所述的基于深度学习的图像电子证据筛选方法，其特征在于，所述图像预处理方法为：将图像文件格式转换为.jpg格式，将视频文件进行帧切分，并保存每一帧图像为.jpg格式；将转化后的图像文件和视频文件合并为一个文件作为图像证据数据集，对图像证据数据集做尺寸归一化处理，宽乘以448/W，高乘以448/H，归一化为(3，448，448)；其中W为原图像的宽，H为原图像的高。
4.根据权利要求1所述的基于深度学习的图像电子证据筛选方法，其特征在于，所述标签类别包括1：冰毒，2：刀具，3：枪支，4：黄色，5：赌博，6：支付，7：其他。
5.根据权利要求4所述的基于深度学习的图像电子证据筛选方法，其特征在于：将尺寸归一化的图像证据数据集送入到ResNet50分类网络中，对多目标进行分类，输出分类图片数据集{IC1,IC2,…,IC7}，分类特征集{FC1,FC2,…,FC7}；
将尺寸归一化的图像证据数据集送入到Faster RCNN检测网络中，对多目标进行检测，输出检测图片数据集{ID1,ID2,…,ID7}，检测特征集{FD1,FD2,…,FD7}。
6.根据权利要求5所述的基于深度学习的图像电子证据筛选方法，其特征在于：根据目标类别，用标签筛选出单一类别或者多类别图像电子证据,输出分类图片数据集{ICi,ICj}，分类特征集{FCi,FCj}，检测图片数据集{IDi,IDj}，检测特征集{FDi,FDj}，其中{i,j}∈(1,7)。
7.根据权利要求6所述的基于深度学习的图像电子证据筛选方法，其特征在于，步骤(6)为：设置筛选阈值，把分类图片数据集和检测图片数据集大于所述阈值的图像筛选出来；
其中，
为分类图片数据集中ICi的分类阈值；
为检测图片数据集中IDi的检测阈值；T为筛选阈值，赋值为0.9899。
8.根据权利要求7所述的基于深度学习的图像电子证据筛选方法，其特征在于：根据筛选出的高精度目标图像，在分类特征集{FCi,FCj}和检测特征集{FDi,FDj}中检索出分类特征FCi和检测特征FDi，提取分类特征FCi和检测特征FDi的前512维特征进行欧氏距离比对，比对结果小于0.2的图像进行输出即为电子证据；其中，特征比对欧氏距离计算：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011494349.7A CN112464015B (zh) | 2020-12-17 | 2020-12-17 | 一种基于深度学习的图像电子证据筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011494349.7A CN112464015B (zh) | 2020-12-17 | 2020-12-17 | 一种基于深度学习的图像电子证据筛选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464015A true CN112464015A (zh) | 2021-03-09 |
| CN112464015B CN112464015B (zh) | 2024-06-18 |
Family
ID=74802905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011494349.7A Active CN112464015B (zh) | 2020-12-17 | 2020-12-17 | 一种基于深度学习的图像电子证据筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464015B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663903A (zh) * | 2022-05-25 | 2022-06-24 | 深圳大道云科技有限公司 | 文本资料的分类方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
| CN109886357A (zh) * | 2019-03-13 | 2019-06-14 | 哈尔滨工程大学 | 一种基于特征融合的自适应权重深度学习目标分类方法 |
| WO2019154262A1 (zh) * | 2018-02-07 | 2019-08-15 | 腾讯科技（深圳）有限公司 | 一种图像分类方法及服务器、用户终端、存储介质 |
-
2020
- 2020-12-17 CN CN202011494349.7A patent/CN112464015B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019154262A1 (zh) * | 2018-02-07 | 2019-08-15 | 腾讯科技（深圳）有限公司 | 一种图像分类方法及服务器、用户终端、存储介质 |
| CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
| CN109886357A (zh) * | 2019-03-13 | 2019-06-14 | 哈尔滨工程大学 | 一种基于特征融合的自适应权重深度学习目标分类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663903A (zh) * | 2022-05-25 | 2022-06-24 | 深圳大道云科技有限公司 | 文本资料的分类方法、装置、设备及存储介质 |
| CN114663903B (zh) * | 2022-05-25 | 2022-08-19 | 深圳大道云科技有限公司 | 文本资料的分类方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464015B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9852344B2 (en) | Systems and methods for semantically classifying and normalizing shots in video | |
| EP2005364B1 (en) | Image classification based on a mixture of elliptical color models | |
| CN102007499B (zh) | 检测数字图像中的脸部表情 | |
| US9008429B2 (en) | Label-embedding for text recognition | |
| US7508961B2 (en) | Method and system for face detection in digital images | |
| US8311344B2 (en) | Systems and methods for semantically classifying shots in video | |
| US8315465B1 (en) | Effective feature classification in images | |
| US8000538B2 (en) | System and method for performing classification through generative models of features occurring in an image | |
| US20130259375A1 (en) | Systems and Methods for Semantically Classifying and Extracting Shots in Video | |
| JP2016134175A (ja) | ワイルドカードを用いてテキスト−画像クエリを実施するための方法およびシステム | |
| WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
| JP2014232533A (ja) | Ｏｃｒ出力検証システム及び方法 | |
| CN103745240A (zh) | 一种基于Haar分类器和ORB特征的人脸检索方法及系统 | |
| CN113221918B (zh) | 目标检测方法、目标检测模型的训练方法及装置 | |
| Farinella et al. | Scene classification in compressed and constrained domain | |
| CN107273783A (zh) | 人脸识别系统及其方法 | |
| KR101093107B1 (ko) | 영상정보 분류방법 및 장치 | |
| CN111368917A (zh) | 一种用于刑侦图像分类的多示例集成学习方法 | |
| CN112464015A (zh) | 一种基于深度学习的图像电子证据筛选方法 | |
| CN114359568A (zh) | 一种基于多粒度特征的多标签场景图生成方法 | |
| Lin et al. | Metric learning for weather image classification | |
| Cheng et al. | A framework of reading timestamps for surveillance video | |
| CN118132859B (zh) | 一种云盘图片资产精准搜索系统与方法 | |
| Mane et al. | An Interactive Approach for Retrieval of Semantically Significant Images. | |
| CN117371533B (zh) | 一种生成数据标签规则的方法及装置 |
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 |