CN113242547B - 一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置 - Google Patents
一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置 Download PDFInfo
- Publication number
- CN113242547B CN113242547B CN202110359213.3A CN202110359213A CN113242547B CN 113242547 B CN113242547 B CN 113242547B CN 202110359213 A CN202110359213 A CN 202110359213A CN 113242547 B CN113242547 B CN 113242547B
- Authority
- CN
- China
- Prior art keywords
- information
- label
- behavior
- filtering
- user behavior
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统、无线信号收发装置,该方法利用收集包含不同用户行为信息和被保留信息的无线信号样本,将所有信号样本打上用户行为标签和被保留信息标签,作为训练数据集训练一个基于暹罗网络的深度神经网络,获得用户行为隐私滤除网络。本发明利用一个基于暹罗网络的深度神经网络学习无线信号中被保留信息与行为信息的关系,使用相似度损失和识别损失结合的损失函数来计算损失,并利用计算得到的损失反向传播更新深度神经网络中的参数,使该深度神经网络具有滤除用户行为信息但保留欲保留信息的能力。
Description
技术领域
本发明属于用户隐私保护领域,具体涉及一种使用包含行为信息和被保留信息的信号样本构建数据集来训练一个深度神经网络以使其具有滤除用户行为隐私能力的方法、系统及无线信号收发装置。
背景技术
无线感知在近些年来受到了越来越多的关注。无线感知的非接触式以及保护视觉隐私的优势使其驱动的应用领域得到了迅速的发展和广泛的扩展。例如,基于无线信号的用户身份认证新技术和基于无线信号的行为识别新技术近年来层出不穷。与基于摄像头的身份认证和行为识别技术相比,基于无线信号的技术不会暴露用户的视觉隐私。与基于传感器的身份认证和行为识别技术相比,基于无线信号的技术不需要用户接触或佩戴任何设备。
然而,随着无线感知技术和人工智能技术的蓬勃发展,无线感知应用中的安全问题也随之浮现。例如,在一个基于无线信号的身份认证应用中,用户可以通过分析人体对无线信号造成的扭曲来提取用户的身份信息。但与此同时,由于用户不同的行为会对无线信号造成不同的扭曲。因此收集到的无线信号不仅可以用于身份认证,还可以用于行为识别。如果收集到的无线信号被公开或者上传到云端,那么攻击者就可以通过挖掘无线信号中行为信息来窃取用户的行为隐私。具体地,攻击者可以用一个已经训练好的行为分类器来对用户的数据进行行为分类,以得到行为信息。更糟糕的是,攻击者可以通过窃取的行为信息来推测用户的性格,心理,甚至敏感动作。因此,急需要一种行为信息滤除技术,该技术可以在无线信号中保留需要被保留的信息的同时,滤除行为相关的信息。以身份认证和定位应用为例,该技术可以在信号中保留用户的身份和位置信息,但擦除掉行为信息。
随着深度学习技术的发展,深度神经网络被用来拟合各种各样的复杂函数。因此,利用深度神经网络来学习行为信息和被保留信息的复杂函数变得可行。另外,由于机器学习分类器利用数据之间的空间可区分性来进行分类。空间可区分性可以用相似度表征。而暹罗网络可以很好的控制数据的相似度。因此,设计一个基于暹罗网络的深度模型来处理原始信号样本,以使处理后的信号样本对于行为不可分是可行的。本发明将属于同一行为但不同被保留信息的信号样本视为不相似,将属于同一被保留信息但不同行为的信号样本视为相似,提出一种基于深度神经网络的无线信号中行为隐私滤除方法。
发明内容
为了解决现有技术中的问题,本发明提出一种使用基于暹罗网络的深度神经网络来处理无线信号样本以滤除其中的用户行为隐私的方法。
为了实现以上目的,本发明所采用的技术方案是:
一种基于深度学习的无线信号中用户行为隐私的滤除方法,具体为:
将无线信号输入至训练好的用户行为隐私滤除网络,获得滤除用户行为隐私的特征向量。所述用户行为隐私滤除网络由基于暹罗网络的特征提取器和一个被保留信息分类器或识别器组成,用户行为隐私滤除网络训练包括以下步骤:
(1)收集包含不同用户信息和不同被保留信息的无线信号样本,并对每条信号样本打上行为标签和被保留信息标签;所述收集的信号样本包含用户行为的标签和被保留信息的标签,所以一条信号样本包含两个独立的标签。
(2)对信号样本中拥有相同行为标签不同被保留信息标签以及拥有相同被保留信息标签不同行为标签的个体进行两两组队作为一个训练样本,对每一个训练样本重新打上相似度标签和被保留信息标签。其中,所述相似度标签表示训练样本中两个无线信号样本的行为标签是否相同,被保留信息标签为训练样本中任一无线信号样本的被保留信息标签。
(3)将训练样本输入至用户行为隐私滤除网络,采用基于权重的损失函数进行约束,并利用计算得到的损失反向传播更新深度神经网络中的参数,训练获得训练好的用户行为隐私滤除网络,其中基于权重的损失函数包括相似度损失和被保留信息识别损失,所述相似度损失用于控制特征提取器输出特征的相似度以降低信号样本的行为可区分度,被保留信息识别损失用于提高被保留信息分类器或识别器输出的特征向量中被保留信息的含量。被保留信息分类器或识别器的输入为训练样本中被保留信息标签对应的无线信号样本经特征提取器的输出。
进一步地,所述步骤2具体为:
将收集的信号样本按如下方式进行两两组对:
两个具有相同行为标签但不同被保留信息标签的信号样本组成一对,构成一条训练样本;两个具有相同被保留信息标签但不同行为标签的信号样本组成一对,构成一条训练样本。
将第一种训练样本内的信号样本视为“不相似”并打上相似度标签和被保留信息标签。将第二种训练样本中的信号样本视为“相似”,同样打上相似度标签和被保留信息标签。
进一步地,所述基于暹罗网络的深度神经网络由两个分支构成,一个分支是暹罗网络,另一个分支是被保留信息识别器。暹罗网络用来控制相似度以降低信号样本的行为可区分度,即滤除行为信息。被保留信息识别器用于提高整个网络中被保留信息的含量。使得处理信号样本的得到的特征向量不能用于行为识别,但是可以用于被保留信息识别。
进一步地,所述基于权重的损失函数为:
L=α*Ls+(1-α)*Li,α[0,1].
其中α是权重,Ls是相似度损失,表示为:
Ls=(1-Ys)*(Dw(B(x1),B(x2)))2+Ys*(max{0,margin-Dw(B(x1),B(x2))})2,
其中Ys是训练样本的相似度标签。具有相同的行为标签但是不同被保留信息标签的训练样本,相似度标签设为1,具有相同的被保留信息标签但是不同行为标签的训练样本,相似度标签为0。B(x1)表示对信号样本x1利用特征提取器B()来提取与行为信息无关的被保留信息特征向量。Dw(B(x1),B(x2))表示对B(x1)和B(x2)求欧几里得距离,margin是一个距离阈值,为实数。
Li为被保留信息识别损失,采用交叉熵函数。
本发明还提供了一种无线信号中用户行为隐私滤除系统,包括:
无线信号采集模块,用于采集无线信号。
用户行为隐私滤除模块,用于将无线信号输入至训练好的用户行为隐私滤除网络,获得滤除用户行为隐私的特征向量。
本发明还提供了一种无线信号收发装置,所述无线信号收发装置包括处理器,所述处理器上运行基于深度学习的无线信号中用户行为隐私滤除程序。可以直接将无线信号收发装置接收的无线信号进行隐私滤除后发送。
与现有的无线感知技术相比,本发明可以在保证系统正常的感知功能的同时,滤除无线信号用户敏感的行为隐私信息。本发明使用属于相同行为不同被保留信息和相同被保留信息不同行为的信号样本对组成训练数据集,使用基于暹罗网络的深度神经网络学习被保留信息和行为信息之间复杂的函数关系。利用基于权重的损失函数来训练深度神经网络以使其具有在滤除行为信息的同时保留欲要保留信息的能力。
附图说明
图1是本发明的流程图;
图2是训练数据集构建方法示意图;
图3是基于暹罗网络的深度神经网络结构图;
具体实施方式
本发明针对现有的无线感知系统中存在用户行为隐私泄露的风险的情况下,提出一种利用深度神经网络滤除无线信号中的行为信息的方法。
下面结合附图和具体实施例对本发明方法作进一步说明:
一种基于深度学习的无线信号中行为隐私的滤除方法,将无线信号输入至训练好的用户行为隐私滤除网络,即可获得滤除用户行为隐私的特征向量。所述用户行为隐私滤除网络由基于暹罗网络的特征提取器和一个被保留信息分类器或识别器组成,用户行为隐私滤除网络训练简要流程如图1所示,具体分以下三步完成:
步骤1)收集一批包含不同行为信息和不同被保留信息的信号样本,对每条信号样本打上行为标签和被保留信息标签。
所述包含不同的行为信息和被保留信息的无线信号样本,在采集的时候需要引入不同的行为和不同的被保留信息。以保护用户身份认证应用中的行为隐私为例,在收集信号样本时需要不同的人,即不同身份(被保留信息为身份信息),在信号覆盖范围内做出不同的行为(不同行为信息)。
作为一优选方案,本实施例中所述打标签方式如下所述:
对不同的行为进行编号,例如“行走,跑步,转身”可以分别编号为0,1,和2。对每个信号样本按其对应的动作打上0,1,或2的标签。
对不同的被保留信息打上可识别性的标签。例如对三个参与身份认证的用户可以分别编号为0,1和2,并对每条信号样本按对应的身份打上0,1,或2的标签。再例如在用户定位应用中,对每条信号样本打上形式如(2.0,2.5)的位置标签,其中2.0和2.5分别是两个不同维度的位置坐标。
步骤2)将信号样本按相同行为标签不同被保留信息标签和相同被保留信息标签不同行为标签的规律两两成对,并重新打上相似度标签和被保留信息标签。成对的信号样本组成了训练集数据。成对的方式和重新打标签的方式如图2所示。具体地,
每一对的两个信号样本具有如下两种的关系中的一种:1)两个信号样本拥有相同的行为标签但是不同的被保留信息标签;2)两个信号样本具有相同的保留信息标签但是不同的行为标签。每一对满足这两种关系之一的信号样本称为一条训练样本。
其中,所述相似度标签表示训练样本中两个无线信号样本的行为标签是否相同,被保留信息标签为训练样本中任一无线信号样本的被保留信息标签。所述训练样本重新打上相似度标签和被保留信息标签可以采用如下方法:
对于具有相同的行为标签但是不同被保留信息标签的训练样本,相似度标签设为1,意为不相似;对于具有相同的被保留信息标签但是不同行为标签的训练样本,相似度为0,意为相似。
对于每条训练样本,其被保留信息标签设为其内部第二个信号样本的原被保留信息标签。
步骤3)将步骤2)中的训练数据集输入至用户行为隐私滤除网络进行训练,其中本实施例中的用户行为隐私滤除网络采用如图3所示的深度神经网络结构,具体地,基于暹罗网络的特征提取器由三层卷积两层全连接层组成,被保留信息识别器由两层全连接层组成。基于暹罗网络的特征提取器用来控制相似度以降低信号样本的行为可区分度,即滤除行为信息。被保留信息识别器用于提高整个网络中被保留信息的含量。使得处理信号样本得到的特征向量不能用于行为识别,但是可以用于被保留信息识别。训练时,采用基于权重的损失函数进行约束实现,所述基于权重的损失函数由相似度损失和被保留信息识别损失组成。相似度损失可以用如下公式计算:
Ls=(1-Ys)*(Dw(B(x1),B(x2)))2+Ys*(max{0,margin-Dw(B(x1),B(x2))})2
其中Ys是训练样本的相似度标签。B(x1)表示对信号样本x1利用特征提取器B()来提取与行为信息无关的被保留信息特征向量。Dw(B(x1),B(x2))表示对B(x1)和B(x2)求欧几里得距离,margin是一个距离阈值,可以设为3。如果将B(x1)和B(x2)分别表示为v1和v2且 k表示特征向量中的元素个数,则Dw(B(x1),B(x2))可以用如下公式计算:
被保留信息识别损失,以身份识别损失为例,可以用如下交叉熵公式计算:
其中Yi是身份标签,M是最大身份编号,Pi是输入的信号样本被识别为第i个身份的概率。最终,基于权重的损失函数可以表示为:
L=α*Ls+(1-α)*Li,α[0,1].
其中α是一个根据经验设置的权重,本实施例中取值为3。
训练完成的深度神经网络具有滤除用户行为信息的能力。后续收集到信号样本在利用该神经网络处理后得到被保留信息特征向量。该特征向量可以被公开或上传用于被保留信息识别,而不会有行为隐私泄露的风险。
表1是隐私滤除网络被分别用于滤除基于WiFi,射频识别,以及毫米波的身份认证应用中的行为隐私的实验效果。实验涉及10个人和10种行为,其中wifi的信号样本29000个,射频识别的信号样本4000个,毫米波的信号样本9000个。原始数据在处理前身份和行为用训练好的神经网络(两层全连接层的神经网络)识别的准确率都很高。在利用隐私滤除网络处理后,行为识别准确率大幅下降,而身份识别准确率只下降了一点点。可以看出,本发明的隐私滤除网络有效的滤除了射频信号中的行为隐私的同时,保留了足够的身份信息用于身份认证。
表1是本方法在WiFi,射频识别,以及毫米波信号上的实验效果。
本发明针对现有的感知系统中存在着用户行为隐私泄露风险的情况,提出一种基于深度学习技术滤除信号中的行为信息的方法。本发明是一个“一次训练永久使用”的行为隐私滤除方法。再利用上述的训练数据集和损失函数训练完基于暹罗网络的深度神经网络后,该神经网络可永久部署于信号的接收端用于连续的信号过滤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。
Claims (5)
1.一种基于深度学习的无线信号中用户行为隐私的滤除方法,其特征在于,具体为:
将无线信号输入至训练好的用户行为隐私滤除网络,获得滤除用户行为隐私的特征向量;所述用户行为隐私滤除网络由基于暹罗网络的特征提取器和一个被保留信息分类器或识别器组成,用户行为隐私滤除网络训练包括以下步骤:
(1)收集包含不同用户信息和不同被保留信息的无线信号样本,并对每条信号样本打上行为标签和被保留信息标签;
(2)对信号样本中拥有相同行为标签不同被保留信息标签以及拥有相同被保留信息标签不同行为标签的个体进行两两组对作为训练样本,对每一个训练样本重新打上相似度标签和被保留信息标签;其中,所述相似度标签表示训练样本中两个无线信号样本的行为标签是否相同,训练样本的被保留信息标签为训练样本中任一无线信号样本的被保留信息标签;所述基于权重的损失函数为:
L=α*Ls+(1-α)*Li,α[0,1],
其中α是权重,Ls是相似度损失,表示为:
Ls=(1-Ys)*(Dw(B(x1),B(x2)))2+Ys*(max{0,margin-Dw(B(x1),B(x2))})2,
其中Ys是训练样本的相似度标签;具有相同的行为标签但是不同被保留信息标签的训练样本,相似度标签设为1,具有相同的被保留信息标签但是不同行为标签的训练样本,相似度标签为0;B(x1)表示对信号样本x1利用特征提取器B()来提取与行为信息无关的被保留信息特征向量;Dw(B(x1),B(x2))表示对B(x1)和B(x2)求欧几里得距离,margin是一个距离阈值,为实数;
Li为被保留信息识别损失,采用交叉熵函数;
(3)将训练样本输入至用户行为隐私滤除网络,采用基于权重的损失函数进行约束,并利用计算得到的损失反向传播更新深度神经网络中的参数,训练获得训练好的用户行为隐私滤除网络,其中基于权重的损失函数包括相似度损失和被保留信息识别损失,所述相似度损失用于控制特征提取器输出特征的相似度以降低信号样本的行为可区分度,被保留信息识别损失用于提高被保留信息分类器或识别器输出的特征向量中被保留信息的含量;被保留信息分类器或识别器的输入为训练样本中被保留信息标签对应的无线信号样本经特征提取器的输出。
2.根据权利要求1所述的基于深度学习的无线信号中用户行为隐私的滤除方法,其特征在于,所述步骤(2)具体为:
将收集的信号样本按如下方式进行两两组对:
两个具有相同行为标签但不同被保留信息标签的信号样本组成一对,构成一条训练样本;两个具有相同被保留信息标签但不同行为标签的信号样本组成一对,构成一条训练样本;
将第一种训练样本内的信号样本视为“不相似”并打上相似度标签和被保留信息标签;将第二种训练样本中的信号样本视为“相似”,打上相似度标签和被保留信息标签。
3.根据权利要求1所述的基于深度学习的无线信号中用户行为隐私的滤除方法,其特征在于,基于暹罗网络的特征提取器由三层卷积层和两层全连接层组成,被保留信息识别器由两层全连接层组成。
4.一种基于权利要求1所述滤除方法的无线信号中用户行为隐私滤除系统,其特征在于,包括:
无线信号采集模块,用于采集无线信号;
用户行为隐私滤除模块,用于将无线信号输入至训练好的用户行为隐私滤除网络,获得滤除用户行为隐私的特征向量。
5.一种无线信号收发装置,其特征在于,所述无线信号收发装置包括处理器,所述处理器上运行基于深度学习的无线信号中用户行为隐私滤除程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359213.3A CN113242547B (zh) | 2021-04-02 | 2021-04-02 | 一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359213.3A CN113242547B (zh) | 2021-04-02 | 2021-04-02 | 一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113242547A CN113242547A (zh) | 2021-08-10 |
CN113242547B true CN113242547B (zh) | 2022-10-04 |
Family
ID=77130951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359213.3A Active CN113242547B (zh) | 2021-04-02 | 2021-04-02 | 一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113242547B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113599699A (zh) * | 2021-09-09 | 2021-11-05 | 苏州景昱医疗器械有限公司 | 推荐刺激电极组合的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102025A (zh) * | 2018-08-15 | 2018-12-28 | 电子科技大学 | 基于深度学习联合优化的行人重识别方法 |
CN109816092A (zh) * | 2018-12-13 | 2019-05-28 | 北京三快在线科技有限公司 | 深度神经网络训练方法、装置、电子设备及存储介质 |
CN109993236A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN111127532A (zh) * | 2019-12-31 | 2020-05-08 | 成都信息工程大学 | 基于深度学习特征光流的医学图像形变配准方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3454260A1 (en) * | 2017-09-11 | 2019-03-13 | Tata Consultancy Services Limited | Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof |
US10938840B2 (en) * | 2018-10-15 | 2021-03-02 | Microsoft Technology Licensing, Llc | Neural network architectures employing interrelatedness |
CN110674937A (zh) * | 2019-07-04 | 2020-01-10 | 北京航空航天大学 | 一种提升深度学习模型鲁棒性的训练方法及系统 |
CN111552969A (zh) * | 2020-04-21 | 2020-08-18 | 中国电力科学研究院有限公司 | 基于神经网络的嵌入式终端软件代码漏洞检测方法及装置 |
-
2021
- 2021-04-02 CN CN202110359213.3A patent/CN113242547B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102025A (zh) * | 2018-08-15 | 2018-12-28 | 电子科技大学 | 基于深度学习联合优化的行人重识别方法 |
CN109816092A (zh) * | 2018-12-13 | 2019-05-28 | 北京三快在线科技有限公司 | 深度神经网络训练方法、装置、电子设备及存储介质 |
CN109993236A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN111127532A (zh) * | 2019-12-31 | 2020-05-08 | 成都信息工程大学 | 基于深度学习特征光流的医学图像形变配准方法及系统 |
Non-Patent Citations (1)
Title |
---|
《Deep Siamese Network with Multi-level Similarity Perception for Person Re-identification》;Chen Shen etal;《Mountain View》;20171027;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113242547A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferrari et al. | On the personalization of classification models for human activity recognition | |
CN108009521B (zh) | 人脸图像匹配方法、装置、终端及存储介质 | |
US20210064871A1 (en) | Apparatus and method for recognition of text information | |
CN101216884B (zh) | 一种人脸认证的方法及系统 | |
CN111191616A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN102890776B (zh) | 通过面部表情调取表情图释的方法 | |
CN107633207A (zh) | Au特征识别方法、装置及存储介质 | |
CN101739742B (zh) | 联网式多通道门禁考勤系统 | |
CN111160424B (zh) | 一种基于cnn图像识别的nfc设备指纹认证方法及系统 | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN103886283A (zh) | 用于移动用户的多生物特征图像信息融合方法及其应用 | |
CN103745235A (zh) | 人脸识别方法、装置及终端设备 | |
US11641352B2 (en) | Apparatus, method and computer program product for biometric recognition | |
CN111144522B (zh) | 一种基于硬件本征差异的电网nfc设备指纹认证方法 | |
CN102890777B (zh) | 可识别面部表情的电脑系统 | |
CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
CN113242547B (zh) | 一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置 | |
CN110069965A (zh) | 一种机器人身份识别方法 | |
CN105550705A (zh) | 一种基于改进自训练学习的脑电信号识别方法 | |
CN106971203B (zh) | 基于走路特征数据的身份识别方法 | |
Liu et al. | Behavior privacy preserving in RF sensing | |
Li et al. | Adaptive deep feature fusion for continuous authentication with data augmentation | |
CN111913575B (zh) | 一种手语词的识别方法 | |
CN111652878B (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
CN111597944B (zh) | 活体检测方法、装置、计算机设备及存储介质 |
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 |