CN112785479B - 一种基于少样本学习的图像隐形水印通用检测方法 - Google Patents
一种基于少样本学习的图像隐形水印通用检测方法 Download PDFInfo
- Publication number
- CN112785479B CN112785479B CN202110084996.9A CN202110084996A CN112785479B CN 112785479 B CN112785479 B CN 112785479B CN 202110084996 A CN202110084996 A CN 202110084996A CN 112785479 B CN112785479 B CN 112785479B
- Authority
- CN
- China
- Prior art keywords
- watermark
- image
- invisible watermark
- invisible
- label
- 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
- 238000001514 detection method Methods 0.000 title abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000026683 transduction Effects 0.000 abstract 1
- 238000010361 transduction Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于少样本学习的图像隐形水印通用检测方法,包括水印特征提取、图构造、标签传播、损失计算四个步骤组成,在少样本转导传播网络框架的基础上改进了其特征嵌入步骤,改造后的特征嵌入部分由预处理、多尺度特征融合和特征嵌入三个子步骤组成。本发明在实际的图像隐形水印检测任务中可作为通用的隐形水印检测器,不需要单独训练针对特定的隐形水印嵌入算法。另外可在少量隐形水印嵌入算法的水印图像基础上训练图像隐形水印通用检测模型,使实际的图像隐形水印检测过程更加便捷,更加符合实际条件的限制,可真正满足实际情况下的图像隐形水印的检测。
Description
技术领域
本发明涉及一种计算机领域的检测方法,尤其涉及一种基于少样本学习的图像隐形水印通用检测方法。
背景技术
基于深度学习的图像隐形水印检测方法一般只对特定的隐形水印嵌入算法有较好的检测效果且基于深度学习的图像隐形水印检测模型在训练时需要相应水印嵌入算法的大量水印图像数据集,而在实际的图像隐形水印检测任务中,往往需要检测模型未知的隐形水印嵌入算法,该隐形水印嵌入算法的大量水印图像数据集也是难以得到的。如何在少量的目标隐形水印嵌入算法的水印图像样本的条件下,训练通用的图像隐形水印检测方法是一个极大的挑战。
发明内容
发明目的:本发明的目的在于提供一种检测过程更加便捷,提高图像隐形水印的检测准确率的基于少样本学习的图像隐形水印通用检测方法。
技术方案:本发明的基于少样本学习的图像隐形水印通用检测方法,包括以下步骤:
(1)搭建隐形水印特征提取模块,建立高通滤波核,得到输入图像的水印残差特征图;
(2)建立多尺度特征融合模块,通过调用卷积函数,设置超参数,建立1×1、3×3、5×5的卷积函数和可分离卷积函数,通过卷积函数对水印残差特征图进一步提取高维水印特征;
(3)建立卷积神经网络,并对高维水印特征进行特征嵌入;
(4)进行图结构的构造,计算同批次输入到模型中的所有样本节点间的欧式距离,从而得到图邻接矩阵,用来表征图结构;
(5)在得到初始图邻接矩阵后,就以该邻接矩阵中各节点之间距离度量为依据把支持集各节点的标签通过已有的标签传播公式传递给查询集各节点;
(6)将预测的查询集标签与真实标签进行交叉熵的计算,得到查询集样本节点的分类损失,最后对模型进行端到端的参数更新,直至模型收敛。
进一步地,步骤(5)中,所述标签传播公式如公式(1):
F=(I-αS)-1Y (1)
其中,F为传播后的标签矩阵,S为正则化处理过的邻接矩阵,I为单位矩阵,α为标签传播参数,控制着传播的信息总量且α∈(0,1),Y为初始标签矩阵;使用softmax将更新后的标签矩阵F进行概率值的转换,如公式(2):
其中,yi是查询集样本的预测标签,Fij *是由公式(1)计算的传播后的标签矩阵。
进一步地,步骤(6)中,所述查询集样本节点的分类损失,如公式(3):
进一步地,步骤(6)中,所述参数更新采用梯度下降法对模型进行端到端的参数更新。
进一步地,步骤(1)中,所述搭建隐形水印特征提取模块是在tensorflow框架和计算机编程语言Python的基础上进行。
进一步地,步骤(1)中,所述高通滤波核的层数为10-64层。
进一步地,步骤(3)中,所述卷积神经网络包括2-16个卷积块。
有益效果:与现有技术相比,本发明具有如下显著优点:
(1)本发明的检测方法不仅解决传统基于深度学习的图像隐形水印检测方法无法对模型未知的隐形水印嵌入算法进行有效的检测的缺陷,而且解决难以在少量的目标隐形水印嵌入算法的水印图像样本的条件下去训练通用的图像隐形水印检测方法的问题,使得在实际的图像隐形水印检测任务中检测过程更加便捷,提高图像隐形水印的检测准确率。
(2)在实际的图像隐形水印检测任务中可作为通用的隐形水印检测器,不需要单独训练针对特定的隐形水印嵌入算法。另外可在少量隐形水印嵌入算法的水印图像基础上训练图像隐形水印通用检测模型,使实际的图像隐形水印检测过程更加便捷,更加符合实际条件的限制,可真正满足实际情况下的图像隐形水印的检测。
附图说明
图1是本发明专利所述方法的模型整体框架图;
图2是本发明专利所述方法的少样本通用隐形水印特征嵌入网络图;
图3是本发明专利所述方法的少样本通用隐形水印检测图构造子网络图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,为了得到基于少样本学习的图像隐形水印通用检测模型,首先需要建模。建模可在深度学习框架tensorflow-1.14和计算机编程语言Python的基础上进行操作。按照图1所示,第一步要搭建隐形水印特征提取模块,其中首先要建立30层高通滤波核,得到输入图像的水印残差特征图;然后建立多尺度特征融合模块,通过调用tensorflow框架的卷积函数,设置超参数,建立1×1、3×3、5×5的卷积函数和可分离卷积函数,通过这些卷积函数可对水印残差特征图进一步提取高维水印特征;接下来继续利用tensorflow框架建立卷积神经网络,其网络结构如图2所示,这层网络用于对上一步提取到的高维水印特征进行特征嵌入。搭建好隐形水印特征提取模块后,第二步就是进行图结构的构造,计算同批次输入到模型中的所有样本节点间的欧式距离,从而得到图邻接矩阵,用来表征图结构。而计算样本节点间欧式距离的公式中长度比例参数是至关重要的,所示需要通过图3所示的卷积神经网络去计算该参数。同样可通过tensorflow框架按照图3所示搭建卷积神经网络。第三步,在得到初始图邻接矩阵后,就以该邻接矩阵中各节点之间距离度量为依据把支持集各节点的标签通过已有的标签传播公式传递给查询集各节点,该标签传播公式可见公式(1),其中F为传播后的标签矩阵,S为正则化处理过的邻接矩阵,I为单位矩阵,α为标签传播参数,控制着传播的信息总量且α∈(0,1),Y为初始标签矩阵。
F=(I-αS)-1Y (1)
初始标签矩阵Y和F是一个(N×K+T)×N的矩阵,N是类别的数量,K是每个类支持集的样本数量,T是每个类查询集的样本数量。在标签矩阵Y和F中,行数表示支持集和查询集中所有的样本数量。支持集每个样本的行值即为该样本标签的one-hot编码,而查询集的行值是网络的输出值,初始化为0,少样本隐写分析网络模型经前向传播,通过标签传播公式后,查询集节点的标签就会得到更新。为了方便计算更新后查询集样本的预测标签与其真实标签之间的损失值,使用softmax将更新后的标签矩阵F进行概率值的转换,如公式(2),公式(2)中的yi是查询集样本的预测标签,Fij *是由公式(1)计算的传播后的标签矩阵。
搭建好模型后,可在隐形水印数据集BossBase上进行训练,训练模型的实验平台配置为windows10操作系统,GPU为NVIDIA 2080Ti显卡,内存为16G RAM,CPU为Intel Core(TM)i5-7500处理器。在训练好模型后,可对基于少样本学习的图像隐形水印通用检测模型进行测试,测试过程其实也就是模拟真实的图像隐形水印检测过程,至此按照本发明专利的方法可得到基于少样本学习的图像隐形水印通用检测模型用于图像隐形水印通用检测任务。
如图2、3所示,特征嵌入网络是由四个卷积块组成的子卷积神经网络,在特征嵌入子卷积神经网络中,每个卷积块由3×3的卷积核,批处理归一化及最大池化操作组成,通过特征嵌入子网络可将正常图像、水印图像的多尺度融合特征进行各自类空间中的嵌入操作,最终得到每个图像样本各自类空间中的1024维特征向量。在少样本图网络构造步骤,将水印特征提取部分得到的1024维特征向量将作为图构造网络的输入,从而得到对图构造至关重要的长度比例参数σ。图网络构造的核心在于得到表述所有节点之间距离的邻接矩阵。图网络构造部分首先要计算所有特征向量两两之间的高斯距离,再通过聚合每两个节点之间的高斯距离建立起这些节点的邻接矩阵。在得到初始图邻接矩阵后,就以该邻接矩阵中各节点之间距离度量为依据把支持集各节点的标签通过已有的标签传播公式传递给查询集各节点。接着将预测的查询集标签与真实标签进行交叉熵的计算,从而得到查询集样本节点的分类损失,最后可使用梯度下降法对模型进行端到端的参数更新,直至模型收敛。
Claims (5)
1.一种基于少样本学习的图像隐形水印通用检测方法,其特征在于,包括以下步骤:
(1)搭建隐形水印特征提取模块,建立高通滤波核,得到输入图像的水印残差特征图;
(2)建立多尺度特征融合模块,通过调用卷积函数,设置超参数,建立1×1、3×3、5×5的卷积函数和可分离卷积函数,通过卷积函数对水印残差特征图进一步提取高维水印特征;
(3)建立卷积神经网络,并对高维水印特征进行特征嵌入;
(4)进行图结构的构造,计算同批次输入到模型中的所有样本节点间的欧式距离,从而得到图邻接矩阵,用来表征图结构;
(5)在得到初始图邻接矩阵后,就以该邻接矩阵中各节点之间距离度量为依据把支持集各节点的标签通过标签传播公式传递给查询集各节点;
(6)将预测的查询集标签与真实标签进行交叉熵的计算,得到查询集样本节点的分类损失,最后对模型进行端到端的参数更新,直至模型收敛;
其中,步骤(5)中,所述标签传播公式如公式(1):
F=(I-αS)-1 (1)
其中,F为传播后的标签矩阵,S为正则化处理过的邻接矩阵,I为单位矩阵,α为标签传播参数,控制着传播的信息总量且α∈(0,1),Y为初始标签矩阵;使用softmax将更新后的标签矩阵F进行概率值的转换,如公式(2):
其中,yi是查询集样本的预测标签,Fij *是由公式(1)计算的传播后的标签矩阵;
步骤(6)中,所述查询集样本节点的分类损失,如公式(3):
2.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法,其特征在于,步骤(6)中,所述参数更新采用梯度下降法对模型进行端到端的参数更新。
3.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法,其特征在于,步骤(1)中,所述搭建隐形水印特征提取模块是在tensorflow框架和计算机编程语言Python的基础上进行。
4.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法,其特征在于,步骤(1)中,所述高通滤波核的层数为10-64层。
5.根据权利要求1所述的基于少样本学习的图像隐形水印通用检测方法,其特征在于,步骤(3)中,所述卷积神经网络包括2-16个卷积块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084996.9A CN112785479B (zh) | 2021-01-21 | 2021-01-21 | 一种基于少样本学习的图像隐形水印通用检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084996.9A CN112785479B (zh) | 2021-01-21 | 2021-01-21 | 一种基于少样本学习的图像隐形水印通用检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785479A CN112785479A (zh) | 2021-05-11 |
CN112785479B true CN112785479B (zh) | 2023-05-23 |
Family
ID=75758446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084996.9A Active CN112785479B (zh) | 2021-01-21 | 2021-01-21 | 一种基于少样本学习的图像隐形水印通用检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785479B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392876B (zh) * | 2021-05-24 | 2022-07-05 | 电子科技大学 | 一种基于图神经网络的小样本图像分类方法 |
CN115936961B (zh) * | 2022-11-21 | 2024-01-02 | 南京信息工程大学 | 基于少样本对比学习网络的隐写分析方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063572A (zh) * | 2018-07-04 | 2018-12-21 | 南京信息工程大学 | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 |
CN109635844A (zh) * | 2018-11-14 | 2019-04-16 | 网易传媒科技(北京)有限公司 | 训练分类器的方法及装置和水印检测方法及装置 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN111259850A (zh) * | 2020-01-23 | 2020-06-09 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111415289A (zh) * | 2020-03-25 | 2020-07-14 | 武汉大学 | 面向不平衡jpeg图像隐写检测的自适应代价敏感特征学习方法 |
CN111639679A (zh) * | 2020-05-09 | 2020-09-08 | 西北工业大学 | 一种基于多尺度度量学习的小样本学习方法 |
CN111966823A (zh) * | 2020-07-02 | 2020-11-20 | 华南理工大学 | 一种面向标签噪声的图节点分类方法 |
CN112150450A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于双通道U-Net模型的图像篡改检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11562382B2 (en) * | 2016-11-11 | 2023-01-24 | Jpmorgan Chase Bank, N.A. | System and method for providing data science as a service |
-
2021
- 2021-01-21 CN CN202110084996.9A patent/CN112785479B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063572A (zh) * | 2018-07-04 | 2018-12-21 | 南京信息工程大学 | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 |
CN109635844A (zh) * | 2018-11-14 | 2019-04-16 | 网易传媒科技(北京)有限公司 | 训练分类器的方法及装置和水印检测方法及装置 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN111259850A (zh) * | 2020-01-23 | 2020-06-09 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111415289A (zh) * | 2020-03-25 | 2020-07-14 | 武汉大学 | 面向不平衡jpeg图像隐写检测的自适应代价敏感特征学习方法 |
CN111639679A (zh) * | 2020-05-09 | 2020-09-08 | 西北工业大学 | 一种基于多尺度度量学习的小样本学习方法 |
CN111966823A (zh) * | 2020-07-02 | 2020-11-20 | 华南理工大学 | 一种面向标签噪声的图节点分类方法 |
CN112150450A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于双通道U-Net模型的图像篡改检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
Few-Shot Learning With Attention-Weighted Graph Convolutional Networks For Hyperspectral Image Classification;Xinyi Tong 等;《2020 IEEE International Conference on Image Processing (ICIP)》;第1686-1690页 * |
Learning to propagate labels: Transductive propagation network for few-shot learning;Yanbin Liu 等;《https://arxiv.org/pdf/1805.10002.pdf》;第1-14页 * |
基于深度学习的视觉重复模式分析与应用;张怀东;《中国博士学位论文全文数据库信息科技辑》(第01期);I138-209 * |
基于深度网络的少样本学习算法研究;余游;《中国优秀硕士学位论文全文数据库 信息科技辑》(第08期);I138-675 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785479A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN108647742B (zh) | 基于轻量级神经网络的快速目标检测方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110941734B (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
CN112785479B (zh) | 一种基于少样本学习的图像隐形水印通用检测方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN112529005B (zh) | 基于语义特征一致性监督金字塔网络的目标检测方法 | |
CN111461129B (zh) | 一种基于上下文先验的场景分割方法和系统 | |
CN113469119B (zh) | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 | |
CN114155397B (zh) | 一种小样本图像分类方法及系统 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
CN112766283A (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN115994900A (zh) | 基于迁移学习的无监督缺陷检测方法和系统、存储介质 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
CN109934352B (zh) | 智能模型的自动进化方法 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
CN113449631A (zh) | 图像分类方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |