CN113191406B - 一种基于格拉姆矩阵的动漫图像分类方法 - Google Patents
一种基于格拉姆矩阵的动漫图像分类方法 Download PDFInfo
- Publication number
- CN113191406B CN113191406B CN202110415553.3A CN202110415553A CN113191406B CN 113191406 B CN113191406 B CN 113191406B CN 202110415553 A CN202110415553 A CN 202110415553A CN 113191406 B CN113191406 B CN 113191406B
- Authority
- CN
- China
- Prior art keywords
- cartoon
- image
- cartoon image
- images
- data
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013434 data augmentation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于格拉姆矩阵的动漫图像分类方法。该方法设计了一种基于深度卷积神经网络和格拉姆矩阵的图像分类网络,该网络可以将输入图像分为动漫类与非动漫类。本发明具体包括如下步骤:(1)在网络上广泛搜集动漫图像和非动漫图像,建立数据集;(2)对动漫图像进行数据增广处理扩充训练数据集;(3)使用预训练的ResNet50网络提取图像的特征;(4)将所提取的特征展平并进行内积运算,从而生成包含图像风格信息的格拉姆矩阵;(5)将格拉姆矩阵输入到深度卷积神经网络中进行分类,得到输入图像是否为动漫图像的分类结果。本发明能够对动漫图像进行识别,为避免因动漫引起的侵权提供新的方案。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种动漫图像分类模型训练方法、动漫图像分类方法。
背景技术
随着动漫产业的快速发展,有大量的优秀动漫作品走入大众的视线,人民的精神文化生活更加的丰富多彩。在动漫产业发展的过程中,动漫产业中知识产权的运用与保护获得了前所未有的重视,但现实情况是各类动漫卡通形象被部分商业主体随意复制并发行,且相关侵权行为具有多样性。因此如何在海量数据中识别出动漫图像,进而避免相关侵权行为,是目前亟待解决的问题。
发明内容
本发明旨在从海量图像中识别出动漫图像。为此,本发明提出一种基于格拉姆矩阵的动漫图像分类模型训练方法,能够对动漫图像进行识别。
本发明还提出一种动漫图像分类方法。
第一方面,本发明的一个实施例提供了一种动漫图像分类模型训练方法,包括:
获取动漫图像样本数据;对动漫图像样本数据进行数据增广处理,得到动漫图像数据集中的动漫样本;
将在ImageNet数据集作为训练的ResNet50网络作为预训练模型,分别提取Conv3_3和Conv5_3输出的特征作为输入样本图片不同尺度下的特征,其中预训练的ResNet50网络不再参与动漫图像分类模型的训练;
将从Conv3_3和Conv5_3提取到的特征分别进行展平,并分别进行两两相乘,得到两个包含丰富纹理信息的格拉姆矩阵;
将格拉姆矩阵输入到浅层网络中进行训练,得到动漫图像分类网络;
将训练样本输入到预训练的ResNet50网络中提取图像特征,再将提取到的图像特征转换为格拉姆矩阵,送入动漫图像分类网络中进行训练,最终得到动漫图像分类模型。
本发明实施例的一种动漫图像分类模型训练方法至少具有如下优势:
1.通过对动漫图像样本数据进行数据增广处理,能够增加样本数据的多样性,提高动漫图像分类模型的泛化能力;
2.采用在ImageNet数据集上预训练的ResNet50提取输入样本特征,能够保证特征提取的丰富多样,提高从海量数据中鉴别出动漫图像的准确率。
根据本发明的另一些实施例的动漫图像分类模型训练方法,对动漫图像样本数据进行数据增广处理,得到训练、验证、测试样本,包括:
对动漫图像样本数据进行数据增强处理,得到第一样本数据;其中,
数据增强处理包含对称翻转、位移变换、随机剪裁以及添加噪声等,其中数据增强处理包含各类组合操作;
对第一样本的数据进行尺度变换操作,得到第二样本数据;
对第二样本数据进行数据分组,得到训练样本,并划分为训练集、验证集和测试集;其中,
训练集用于训练所述动漫图像分类模型;
验证集用于验证所述动漫图像分类模型收敛;
测试集用于测试所述动漫图像分类模型的动漫图像分类准确率。
根据本发明的另一些实施例的一种动漫图像分类模型训练方法将分别提取Conv3_3和Conv5_3输出的特征作为输入样本图片不同尺度下的特征,包括:
将ResNet50模型Conv5_3后的网络去除,分别提取Conv3_3和Conv5_3输出的图像卷积特征作为该输入样本在不同尺度下展现的风格特征,其中Conv3_3输出的特征为512幅28×28的卷积特征图,Conv5_3输出的特征为2048幅7×7的卷积特征图。
根据本发明的另一些实施例的一种动漫图像分类模型训练方法将从Conv3_3和Conv5_3提取到的特征分别进行展平,并分别进行两两相乘,得到两个包含丰富纹理信息的格拉姆矩阵,包括:
将Conv3_3产生的512幅28×28卷积特征图展平成1×784的512个向量,每两个向量相乘获得该图像在Con3_3处的512×512格拉姆矩阵,将Conv5_3产生的7×7卷积特征图展平成1×49的2048个向量,每两个向量相乘获得该图像在Con5_3处的2048×2048格拉姆矩阵。
根据本发明的另一些实施例的一种动漫图像分类模型训练方法将将格拉姆矩阵输入到浅层网络中进行训练,得到动漫图像分类网络,包括:
将两个格拉姆矩阵输入到浅层网络进行分辨是否为动漫图像的训练,进而获得动漫图像分类网络,其中动漫图像分类网络由最大池化层、卷积层、全连接层和Softmax层构成。
本发明实施例的一种动漫图像分类模型训练方法,通过对动漫样本数据分为训练集、验证集和测试集,在训练集的基础上,通过验证集能够评估模型的收敛性。通过测试集测试动漫图像分类模型的是否收敛,通过测试集能够评估动漫图像分类模型的分类精度。该模型通过将ResNet50网络特定层的输出作为图像信息,并生成富含纹理信息的格拉姆矩阵,该矩阵输入到动漫图像分类网络中获得是否为动漫图像的分类结果。
第二方面,本发明的一个实施例提供了一种动漫图像分类方法,包括:
获取待分类图像样本;
将待分类的图像输入到动漫图像分类模型中进行分类,得到待分类图像是否为动漫图像的类别属性;
其中,动漫图像分类模型是采用本发明的一些实施例中的动漫图像分类模型训练方法训练得到的。
本发明实施例的动漫图像分类方法,能够分类出输入的待分类图像是否为动漫图像,并能给出相应的置信度。
附图说明
图1是本发明实施例中的动漫图像分类方法的流程图;
图2是本发明实施例中从ResNet50的Conv3_3和Conv5_3提取出输入样本不同尺度下特征图的流程图;
图3是本发明实施例中对Conv3_3提取出的输入样本的特征图转换为格拉姆矩阵的流程图;
图4是本发明实施例中对Conv5_3提取出的输入样本的特征图转换为格拉姆矩阵的流程图;
图5是本发明实施例中将富含图像纹理信息的格拉姆矩阵输入到动漫图像分类网络的流程示意图;
图6是本发明实施例中一种动漫图像分类方法的一具体实施例的流程示意图。
具体实施方式
以下将结合附图及实施例,对本发明的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,此处所描述的实施例仅仅用于解释本发明,而不是全部的实施例。
实施例1
参照图1,示出了本发明实施例中一种动漫图像分类模型训练方法的一具体实施例的流程示意图。如图1所示,本发明实施例的一种动漫图像分类模型训练方法,包括如下步骤:
S110:获取动漫图像样本数据。
其中,互联网上搜索到的动漫图像样本数据是初始样本数据,为了提高动漫图像分类模型的泛化能力,避免模型过度拟合训练数据,对获得到的数据进行了数据增广,从而扩充了训练数据集,并令数据集中的动漫图像数据更加多元化,促使模型具有一定的泛化能力。其中,搜集到的动漫图像作为训练的正样本,容易获取到的非动漫图像作为负样本。
S120:对动漫图像样本数据进行数据增广,得到动漫图像数据集中的正样本。S121、S122、S123属于S120的具体实时策略。
在本发明实施例的另一些具体实施例中,对动漫图像样本数据进行多种数据增广,包括如下步骤:
S121:对动漫图像样本数据进行数据增强,得到第一样本数据。
其中,多种数据增强处理包含对称翻转、位移变换、随机剪裁以及添加噪声等,其中数据增强处理包含各类组合操作;
对称是对动漫图像样本数据在水平或垂直方向做镜像,翻转是以图片中心点为基准进行旋转。位移变换是随机在水平或垂直方向上移动动漫图像样本的位置。随机剪裁是在动漫图像中随机剪裁十张224×224的图像。添加噪声是在图像上添加椒盐噪声。
S122:对经过数据增强后的数据进行尺度变换,得到第二样本数据。
其中,尺度变换是对样本数据进行的缩小或放大,是一种广泛使用的数据增强方式之一。
S123:将经过尺度变换后的第二样本数据作为动漫图像数据集中的正样本。
其中,动漫图像数据集又分为训练集、验证集和测试集。训练集用于训练模型获取分辨输入图像是否为动漫图像的能力,验证集用于验证所述动漫图像分类模型是否收敛,测试集用于测试所述动漫图像分类模型的动漫图像分类准确率。所述动漫图像数据集中包含等量的非动漫图像,即负样本加入训练、验证和测试;
S130:基于预训练的ResNet50提取出输入样本的特征。
图2是本发明实施例中从ResNet50的Conv3_3和Conv5_3提取出输入样本不同尺度下特征图的流程图。其中,输入一幅图片,经过预训练的ResNet50模型,可以分别在Conv3_3层获取到512幅28x28大小的特征图,在Conv5_3层获取到2048幅7x7大小的特征图。其中,ResNet50使用了50层残差网络,残差网络缓解了随着网路的加深,训练集出现准确率下降的现象。本发明使用了在ImageNet数据集上预训练的ResNet50作为主干网络,用于提取输入图像的特征。其中我们选取了ResNet50的Conv1到Conv5_3作为主干网络,在训练时上述主干网络的参数不参与训练。
S140:将特征展平并进行内积运算,生成格拉姆矩阵。
图3、图4分别是将Conv3_3和Conv5_3提取出的输入样本的特征图转换为格拉姆矩阵的流程图。其中,将Conv3_3层获取到的每幅28x28特征图压缩成784维的向量,由此得到512个784维的特征向量,然后对每两个784维的特征向量进行内积操作,由此得到512×512的格拉姆矩阵。将Conv5_3层获取到的每幅7x7特征图压缩成49维的向量,由此得到2048个49维的特征向量,然后对每两个49维的特征向量进行内积操作,由此得到2048×2048的格拉姆矩阵。两个不同尺度下的格拉姆矩阵将作为输入送往浅层网络进行训练。
S150:将格拉姆矩阵送到分类网络中进行训练,得到动漫图像分类模型。
图5是本发明实施例中将富含图像纹理信息的格拉姆矩阵输入到动漫图像分类网络的流程示意图。其中由Conv5_3层获得到的2048×2048格拉姆矩阵将首先经过一个最大池化层,该层具体为4×4的池化核与长度为4的步幅,该层可以将输入图像的纹理信息进行提取的同时,降低图像的维度到512×512,与由Conv3_3层获得到的格拉姆矩阵同尺寸。将上述两个同尺寸的矩阵送入卷积网络提取特征,随后将会送到两层全连接层,其中每层全连接层后均接有ReLU线性整流,ReLU对于小于0的数据输出为0,而对于大于0的数据按原样输出,因此ReLU可以令网络具有稀疏性,减少了参数的相互依存,从而缓解了过拟合的可能。最后经过oftmax层获得输入样本图像是动漫图像以及非动漫图像的概率。
实施例2
参照图6,示出了本发明实施例中基于格拉姆矩阵的动漫图像分类分类方法的一具体实施例的流程示意图。
如图6所示,基于实施例1,本发明实施例的一种动漫图像分类方法,包括如下步骤:
S210:获取待分类图像。
其中,待分类图像是指要进行区分是否为动漫图像的输入图像。获取待分类的图像可以通过网络下载任意的公开图像。
S220:将待分类图像输入到基于格拉姆矩阵的动漫图像分类分类模型中进行分类,得到待分类图像是否为动漫图像的判断。
其中,动漫图像分类分类模型是采用本发明的一些实施例中任一实施例的动漫图像分类模型训练方法训练得到的。本实施例通过动漫图像分类模型分类输入图像,能够从海量图片数据中分类出动漫图像。
Claims (1)
1.一种基于格拉姆矩阵的动漫图像分类方法,其特征在于包括以下步骤:
S110:获取动漫图像样本数据;
其中,互联网上搜索到的动漫图像样本数据是初始样本数据,搜集到的动漫图像作为训练的正样本,非动漫图像作为负样本;
S120:对动漫图像样本数据进行数据增广,得到动漫图像数据集中的正样本;具体包括S121-S123;
S121:对动漫图像样本数据进行数据增强,得到第一样本数据;
数据增强处理包含对称翻转、位移变换、随机剪裁或添加噪声,或各类组合操作;
S122:对经过数据增强后的数据进行尺度变换,得到第二样本数据;
其中,尺度变换是对样本数据进行的缩小或放大;
S123:将经过尺度变换后的第二样本数据作为动漫图像数据集中的正样本;
其中,动漫图像数据集又分为训练集、验证集和测试集;训练集用于训练模型获取分辨输入图像是否为动漫图像的能力,验证集用于验证动漫图像分类模型是否收敛,测试集用于测试所述动漫图像分类模型的动漫图像分类准确率;所述动漫图像数据集中包含非动漫图像,即负样本加入训练、验证和测试;
S130:基于预训练的ResNet50提取出输入样本的特征;
从ResNet50的Conv3_3和Conv5_3提取出输入样本不同尺度下特征图的流程图;其中,输入一幅图片,经过预训练的ResNet50模型,可以分别在Conv3_3层获取28x28大小的特征图,在Conv5_3层获取到7x7大小的特征图;其中,ResNet50使用了50层残差网络;使用了在ImageNet数据集上预训练的ResNet50作为主干网络,用于提取输入图像的特征;选取了ResNet50的Conv1到Conv5_3作为主干网络,在训练时上述主干网络的参数不参与训练;
S140:将特征展平并进行内积运算,生成格拉姆矩阵;
将Conv3_3层获取到的每幅28x28特征图压缩成784维的向量,由此得到512个784维的特征向量,然后对每两个784维的特征向量进行内积操作,由此得到512×512的格拉姆矩阵;将Conv5_3层获取到的每幅7x7特征图压缩成49维的向量,由此得到49维的特征向量,然后对每两个49维的特征向量进行内积操作,由此得到2048×2048的格拉姆矩阵;
S150:将格拉姆矩阵送到分类网络中进行训练,得到动漫图像分类模型;
其中由Conv5_3层获得到的2048×2048格拉姆矩阵将首先经过一个最大池化层,该层具体为4×4的池化核与长度为4的步幅,将输入图像的纹理信息进行提取的同时,降低图像的维度到512×512,与由Conv3_3层获得到的格拉姆矩阵同尺寸;
将上述两个格拉姆矩阵送入卷积网络提取特征,随后将会送到两层全连接层,其中每层全连接层后均接有ReLU线性整流,ReLU对于小于0的数据输出为0,而对于大于0的数据按原样输出;经过Softmax层获得输入样本图像是动漫图像以及非动漫图像的概率;
S210:获取待分类图像;
其中,待分类图像是指要进行区分是否为动漫图像的输入图像;
S220:将待分类图像输入到基于格拉姆矩阵的动漫图像分类模型中进行分类,得到待分类图像是否为动漫图像的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110415553.3A CN113191406B (zh) | 2021-04-19 | 2021-04-19 | 一种基于格拉姆矩阵的动漫图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110415553.3A CN113191406B (zh) | 2021-04-19 | 2021-04-19 | 一种基于格拉姆矩阵的动漫图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191406A CN113191406A (zh) | 2021-07-30 |
CN113191406B true CN113191406B (zh) | 2023-10-27 |
Family
ID=76977310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110415553.3A Active CN113191406B (zh) | 2021-04-19 | 2021-04-19 | 一种基于格拉姆矩阵的动漫图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191406B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114625139A (zh) * | 2022-03-11 | 2022-06-14 | 深圳市普渡科技有限公司 | 机器人以及机器人自动行驶方法、装置和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2810421A1 (en) * | 2010-09-10 | 2012-03-15 | Rudolf Hauke | Method for finding and digitally evaluating illegal image material |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523561A (zh) * | 2020-03-19 | 2020-08-11 | 深圳市彬讯科技有限公司 | 图像风格识别方法、装置、计算机设备及存储介质 |
CN111563414B (zh) * | 2020-04-08 | 2022-03-01 | 西北工业大学 | 一种基于非局部特征增强的sar图像舰船目标检测方法 |
CN112132205B (zh) * | 2020-09-18 | 2022-11-15 | 东南大学 | 一种基于卷积神经网络的遥感图像分类方法 |
-
2021
- 2021-04-19 CN CN202110415553.3A patent/CN113191406B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2810421A1 (en) * | 2010-09-10 | 2012-03-15 | Rudolf Hauke | Method for finding and digitally evaluating illegal image material |
Non-Patent Citations (1)
Title |
---|
基于改进生成对抗网络的动漫人物头像生成算法;张扬,马小虎;《计算机科学》;第48卷(第01期);第182-189页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191406A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN107229918A (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN111881707B (zh) | 图像翻拍检测方法、身份验证方法、模型训练方法及装置 | |
Gumusbas et al. | Offline signature identification and verification using capsule network | |
CN110348486A (zh) | 基于采样与特征简约的非平衡数据集转换方法及系统 | |
CN113361546A (zh) | 融合非对称卷积和注意力机制的遥感图像特征提取方法 | |
CN112163488B (zh) | 一种视频虚假人脸检测方法及电子装置 | |
CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN113191406B (zh) | 一种基于格拉姆矩阵的动漫图像分类方法 | |
Bai et al. | Robust texture-aware computer-generated image forensic: Benchmark and algorithm | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN110503157B (zh) | 基于细粒度图像的多任务卷积神经网络的图像隐写分析方法 | |
CN106250871A (zh) | 城市管理案件分类方法及装置 | |
CN116541545A (zh) | 一种翻拍图像识别方法、装置、设备及存储介质 | |
CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN111783862A (zh) | 多注意力导向神经网络的立体显著性物体检测技术 | |
CN116912604B (zh) | 模型训练方法、图像识别方法、装置以及计算机存储介质 | |
CN112215241B (zh) | 一种基于小样本学习的图像特征提取装置 | |
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 | |
CN103093236B (zh) | 一种基于图像语义分析的移动终端色情过滤方法 | |
CN116368487A (zh) | 用于恶意软件的检测的方法 | |
CN114565772B (zh) | 集合特征提取方法、装置、电子设备及存储介质 | |
CN115424163A (zh) | 唇形修改伪造视频检测方法、装置、设备及存储介质 |
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 |