CN113362070A - 用于识别操作用户的方法、装置、电子设备和介质 - Google Patents
用于识别操作用户的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113362070A CN113362070A CN202110619393.4A CN202110619393A CN113362070A CN 113362070 A CN113362070 A CN 113362070A CN 202110619393 A CN202110619393 A CN 202110619393A CN 113362070 A CN113362070 A CN 113362070A
- Authority
- CN
- China
- Prior art keywords
- data
- identified
- user
- sensor data
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000012512 characterization method Methods 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 13
- 230000000052 comparative effect Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开涉及大数据、人工智能技术领域,提供了一种更为严格的用于识别操作用户的方法装置、电子设备和介质,可应用于金融领域。该方法包括:在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;获取第二用户的第二传感器数据;分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;将第一待识别数据、第二待识别数据输入对比识别模型;对比识别模型对第一待识别数据与第二待识别数据进行对比,得到第一输出或第二输出,第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
Description
技术领域
本公开涉及大数据、人工智能技术领域,更具体地,涉及一种用于识别操作用户的方法、装置、电子设备和介质。
背景技术
近年来,金融领域欺诈风险防控形势日趋严峻,已严重破坏国家良好的金融秩序和社会秩序,危害经济建设的健康发展,影响人民群众安全感和幸福感。欺诈风险呈多样化、技术化趋势,设备端反欺诈的是反欺诈领域研究重点领域,该领域技术化趋势明显,通过刷机、更改设备参数、网络参数将一个设备变成多个设备,实现设备伪装欺诈;通过黑产机器人操作客户端实现自动化抢优惠劵的薅羊毛欺诈等。
针对黑产机器人的薅羊毛欺诈行为识别,欺诈分子通过制作或购买黑产机器人脚本或设备实现批量自动化抢优惠劵,将抢到的优惠劵通过网络出售,实现非法牟利。
现有技术中主要是判断操作用户是否为机器人以识别欺诈行为,即通过采集机器人和真人在该场景下设备端传感器数据并划分该数据,得到自然人用户操作或机器人操作的结论。实际应用中发现,现有技术中对操作用户的识别并不严格,以至于拟人机器人产生与自然人相似的数据后会被误认为是自然人操作。
发明内容
有鉴于此,本公开提供了一种更为严格的用于识别操作用户的方法、装置、电子设备和介质。
本公开的一个方面提供了一种用于识别操作用户的方法,包括:在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;获取第二用户的第二传感器数据;分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;在确认操作的用户为自然人时,获取用户的传感器数据,其中,用户包括不同的多个;对传感器数据进行采样,获得第一待识别数据和第二待识别数据;将第一待识别数据、第二待识别数据输入对比识别模型;对比识别模型对第一待识别数据与第二待识别数据进行对比,得到第一输出或第二输出,第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
在某些实施例中,对比识别模型包括第一子模型、第二子模型和分类模型,第一待识别数据输入第一子模型,第一子模型输出用于表征第一待识别数据的第一表征数据;第二待识别数据输入第二子模型,第二子模型输出用于表征第二待识别数据的第二表征数据;分类模型对第一表征数据、第二表征数据进行判断,并得到第一输出或第二输出。
在某些实施例中,对比识别模型设置成孪生神经网络模型,第一子模型设置成第一卷积神经网络模型,第二子模型设置成第二卷积神经网络模型,第一卷积神经网络模型与第二卷积神经网络模型共享权重。
在某些实施例中,第一卷积神经网络模型和第二卷积神经网络模型均包括:至少两个卷积层、至少一个池化层和一个压平层。
在某些实施例中,还包括训练对比识别模型,以使对比识别模型的第一输出和第二输出达到预设精度。
在某些实施例中,训练对比识别模型包括:获取训练数据,其中,训练数据包括第一训练数据和第二训练数据,第一训练数据为同一自然人用户的传感器数据,第二训练数据为不同自然人用户的传感器数据。
在某些实施例中,传感器数据至少包括压力传感器数据、重力传感器数据、陀螺仪传感器数据、加速度传感器数据、磁感应传感器数据中的一种。
在某些实施例中,通过初始生物特征验证确认操作的第一用户为自然人。
在些实施例中,还包括:当对比识别模型得到第二输出时,对操作的第二用户进行二次生物特征验证。
在某些实施例中,初始生物特征验证和二次生物特征验证包括人脸识别和/或指纹识别。
本公开的另一个方面提供了一种人机识别装置,包括:第一传感器数据获取模块,所述第一传感器数据获取模块用于在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;第二传感器数据获取模块,所述第二传感器数据获取模块用于获取第二用户的第二传感器数据;采样模块,所述采样模块用于分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;数据输入模块,数据输入模块用于将第一待识别数据、第二待识别数据输入对比识别模型;对比模块,对比模块用于通过对比识别模型对第一待识别数据与第二待识别数据进行对比,得到第一输出或第二输出,其中,第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器以及存储装置,其中,所述存储装置用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的用于识别操作用户的方法对操作用户的识别更为严格。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构;
图2示意性示出了根据本公开实施例的用于识别操作用户的方法的流程图;
图3示意性示出了根据本公开实施例的另一种用于识别操作用户的方法的流程图;
图4示意性示出了根据本公开实施例的另一种用于识别操作用户的方法的流程图;
图5示意性示出了根据本公开实施例的装置的框图;以及
图6示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
以抢优惠券这一应用场景为例,当用户为自然人时,利用手机等移动终端设备抢优惠券时会产生点击等操作,由于每一个自然人用户都有不同的操作习惯,因此会产生对应的操作数据,例如压力传感器会采集到自然人用户操作时的压力数据;重力传感器会采集到自然人用户操作时的重力数据。传感器采集的自然人用户的数据一般具有数量多、分散、无规律的特点;而如果是利用机器人自动抢优惠券的话,需要在移动终端设备上写入脚本,传感器采集的机器人的数据一般具有数量少、均匀、准确等特点。因此,传感器采集的一般的机器人与自然人用户的数据具有较大区别,便于识别。
但是,还有一种较为特殊的机器人,即拟人机器人,能够产生和自然人用户的传感器数据相似的传感器数据,现有技术的用于识别操作用户的方法很难再通过传感器数据特点识别并划分自然人用户和机器人,即对于拟人机器人的识别准确率低。
当然,本公开实施例的用于识别操作用户的方法只是以抢优惠券这一应用场景举例,并不局限于该应用场景。
本公开的实施例提供了一种用于识别操作用户的方法、装置、电子设备和介质。该用于识别操作用户的方法包括:在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;获取第二用户的第二传感器数据;分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;将第一待识别数据、第二待识别数据输入对比识别模型;对比识别模型对第一待识别数据与第二待识别数据进行对比,得到第一输出或第二输出,第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
本公开实施例的技术方案可以实现以下技术效果中的至少一个方面:
1)在确认第一用户为自然人时,才获取传感器数据,能够在对比、识别的初始,提供自然人的传感器数据,为后续的对比、识别提供参考,避免出现对比识别模型将机器人的两个传感器数据判断为同一自然人用户的情况发生;
2)无需预先采集机器人的传感器数据,作为训练对比识别模型的训练数据;
3)在对比识别模型得到第二输出时,即可认为非正常操作,即对操作的用户识别更加严格。
4)通过判断是否为同一自然人用户操作的识别方式避免了直接识别拟人机器人或者其他未知机器人,即当有拟人机器人操作或者其他的未知机器人操作时,对比识别模型得到非同一自然人用户操作的第二输出,包含机器人操作的情况,因此能够间接识别拟人机器人和其他未知机器人,具有更高的人机识别准确率。
需要说明的是,本公开实施例提供的用于识别操作用户的方法、装置、系统和电子设备可用于大数据、分布式技术在微服务数据传输相关方面,也可用于除大数据、分布式技术之外的多种领域,如金融领域等。本公开实施例提供的用于识别操作用户的方法、装置、系统和电子设备的应用领域不做限定。
图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送信息等。终端设备101、102、103可以具有基于生物特征数据进行身份认证的功能,如具有指纹采集、声音采集和图像采集中至少一种,以获取用户的生物特征数据。此外,终端设备101、102、103上还可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等需要进行身份验证功能的应用(仅为示例)。
终端设备101、102、103包括但不限于指纹打卡器、面部识别器、智能手机、平板电脑、膝上型便携计算机等等。
服务器105可以解析用户信息数据集合以得到生物特征数据,此外,还可以基于预设规则生成虚拟身份信息数据。服务器105可以为数据库服务器、后台管理服务器、服务器集群等。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的测试数据、测试数据子集合等)反馈给终端设备。
需要说明的是,本公开实施例所提供的方法一般可以由服务器105执行。相应地,本公开实施例所提供的装置一般可以设置于服务器105中。
应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的用于识别操作用户的方法200的流程图。
如图2所示,该方法200可以包括操作S201~操作S205。
在操作S201,在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;
在操作S202,获取第二用户的第二传感器数据;
在操作S203,分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;
在操作S204,将第一待识别数据、第二待识别数据输入对比识别模型;
在操作S205,对比识别模型对第一待识别数据与第二待识别数据进行对比,得到第一输出或第二输出。
应该理解的是,操作S201-操作S205均为使用对比识别模型过程中的操作。
在本公开实施例的技术方案中,在操作S201中,获得的第一用户的第一传感器为自然人操作的数据,能够为后续对比提供参照;
在操作S202中,第二用户是指与第一用户在不同时间点进行操作的用户。
在操作S203中,第一用户和第二用户在本公开实施例的应用场景中会产生对应操作的数据,传感器可采集第一用户和第二的操作数据,得到第一传感器数据和第二传感器数据,对第一传感器数据和第二传感器数据进行采样可得到待识别的数据:第一待识别数据和第二待识别数据,第一待识别数据和第二待识别数据可能是同一用户产生的传感器数据,即均为第一用户的自然人产生,也可能是不同用户产生的传感器数据,即第二用户与第一用户不是同一个。对于用户使用的特定的移动终端设备而言,在同一个时间点,一般只有一个用户在使用、进行相应的操作并产生相应的传感器数据,因此对传感器数据进行采样是对不同时间点的传感器数据进行采样。
在操作S204中,“对比识别模型”是指能够对输入的两个数据(第一待识别数据、第二待识别数据)进行对比、识别并得到识别结论的模型。应该理解的是,该“对比识别模型”能够得到识别结论的原因在于,该模型具有相应的各项参数和逻辑,通过该模型能够得到第一输出或第二输出的识别结论。在该“对比识别模型”为深度学习或机器学习的算法模型时,在前期需要大量的训练数据对该模型进行训练,关于训练对比识别模型的内容将于下文进行详细说明。
在操作S205中,第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
现有技术中的用于识别操作用户的方法需要预先采集大量机器人的传感器数据形成训练数据,利用该训练数据训练识别模型,使识别模型具有识别自然人和机器人的功能,在识别模型训练完成后才能够根据输入判断其是否为机器人。为区别本公开实施例的技术方案,现有技术的用于识别输入数据为自然人或机器人的模型为“识别模型”,本公开实施例的用于判断两个输入数据是否为同一自然人操作的模型为“对比识别模型”。
由于同一自然人用户在对某一移动终端设备进行某一操作时,具有一定的习惯,因此同一自然人用户在不同时间点的传感器数据的相似性大于不同用户在不同时间点的传感器数据的相似性。这里所说的“不同用户”是指两个不同的自然人用户,或者一个自然人用户与一个机器人。
在本公开实施例的技术方案中,首先确认第一用户为自然人A,可将该自然人的第一用户A作为对比的参考对象,获取该自然人的第一用户A的传感器数据a,并采样得到第一待识别数据a1,在另一时间点操作的第二用户可能是同一自然人A、另一自然人B或者机器人C,对应产生同一自然人A的第二待识别数据a2,另一个自然人B的第二待识别数据b2,或者机器人C的第二待识别数据c2,由于同一自然人用户的传感器数据(a1,a2)的相似性大于不同用户的传感器数据(a1,b2)或(a1,c2),因此对比识别模型对第一待识别数据和第二待识别数据进行比对后,得到第一输出时,是指同一自然人用户操作,得到第二输出时,是指不同的自然人操作或者有机器人进行操作。
本公开实施例的技术方案:
1)在确认第一用户为自然人时,才获取传感器数据,能够在对比、识别的初始,提供自然人的传感器数据,为后续的对比、识别提供参考,避免出现对比识别模型将机器人的两个传感器数据判断为同一自然人用户的情况发生;
2)无需预先采集机器人的传感器数据,作为训练对比识别模型的训练数据;
3)在对比识别模型得到第二输出时,即可认为非正常操作,即对操作的用户识别更加严格。
4)通过判断是否为同一自然人用户操作的识别方式避免了直接识别拟人机器人或者其他未知机器人,即当有拟人机器人操作或者其他的未知机器人操作时,对比识别模型得到非同一自然人用户操作的第二输出,包含机器人操作的情况,因此能够间接识别拟人机器人和其他未知机器人,具有更高的人机识别准确率。
根据本公开实施例的用于识别操作用户的方法,对比识别模型可包括第一子模型、第二子模型和分类模型,第一待识别数据输入第一子模型,第一子模型输出用于表征第一待识别数据的第一表征数据;第二待识别数据输入第二子模型,第二子模型输出用于表征第二待识别数据的第二表征数据;分类模型对第一表征数据、第二表征数据进行判断,并得到第一输出或第二输出。
出于全面获得用户的操作特征以判断是否为同一自然人操作的考虑,传感器可设置多个种类,由此可产生大量的传感器数据,在某一时间点采样的第一待识别数据和第二待识别数据包括该时间点的各个传感器的数据,直接进行对比的实现难度较大。
本公开实施例的用于识别操作用户的方法通过第一子模型和第二子模型可分别表征第一待识别数据和第二待识别数据,将对应的第一表征数据、第二表征数据放在同一空间内进行对比,并且相互参照,便于分类模型进行对比、识别。
需要说明的是,这里所说的“第一子模型”、“第二子模型”是用于将输入的某一时间点的各个传感器的数据以另一种便于对比、分类的方式表示出来的模型,“分类模型”是指能够将第一表征数据、第二表征数据进行区分,获得两个标签(第一输出和第二输出)的模型。应该理解的是,当第一子模型和第二子模型具有将第一表征数据、第二表征数据进行区分,获得两个标签(第一输出和第二输出)的功能时,可以不再利用额外的分类模型进行分类,例如二分类。
例如,可将输入的某一时间点的各个传感器的数据以矩阵的形式表示,矩阵中的各个元素为对应传感器的数值,则第一子模型和第二子模型可分别将第一待识别数据、第二待识别数据转化为向量,以同一空间内两个向量值之间的距离作为相似性的参照。
示例性地,第一子模型和第二子模型可将第一待识别数据、第二待识别数据表征为向量形式的表征数据并通过二分类的分类模型进行分类,得到表示为第一输出或第二输出的两个标签。
由于在时间维度上传感器输出的数据连续的,因此可将传感器数据以时间为横轴,数值为纵轴进行记录,记录的图像可看作一个图片,通过模型学习图片里的纹理,得到第一输出或第二输出。
根据本公开实施例的用于识别操作用户的方法,对比识别模型可设置成孪生神经网络模型,第一子模型可设置成第一卷积神经网络模型,第二子模型可设置成第二卷积神经网络模型,第一卷积神经网络模型与第二卷积神经网络模型共享权重。
需要说明的是:
1)孪生神经网络是基于两个人工神经网络建立的耦合框架,孪生神经网络以两个样本为输入,输出其嵌入高维空间的表征,以比较两个样本的相似程度,通常具有深度结构,在本公开实施例中,包括第一卷积神经网络模型和第二卷积神经网络模型,第一卷积神经网络模型接收第一待识别数据作为输入,第二卷积神经网络模型接收第二待识别数据作为输入,并将其映射至高维特征空间,输出对应的表征,通过计算两个表征的距离,例如欧式距离,可比较两个输入的相似程度。
2)卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,具有表征学习能力。
本公开实施例中获取的传感器数据以时间为横轴、数值为纵轴获得的图像可看作图片(特征图),并根据像素值将该图片对应每个像素进行赋值,该图片可通过对应每个像素的数值表示为矩阵(数组)的形式进行卷积运算。
在本公开实施例的技术方案中,通过将对比识别模型设置成孪生神经网络模型可对第一待识别数据和第二待识别数据进行对比,得到两者的相似程度,该相似程度反映产生第一待识别数据和第二待识别数据的主体是否为同一自然人用户的概率,由于卷积神经网络是模拟人类的神经网络的一种模型,因此能够更好地学习输入的图片的特点,提高对比、识别的准确率。
根据本公开实施例的用于识别操作用户的方法,第一卷积神经网络模型和第二卷积神经网络模型均可包括:至少两个卷积层、至少一个池化层和一个压平层。
卷积层对输入的数据进行特征提取,其内部包括多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,卷积层的参数包括卷积核大小、步长和填充,卷积核的大小可以指定为小于输入图像尺寸的任意值,卷积核越大,可提取的输入特征越复杂;卷积步长定义了卷积核相邻两次扫过特征图时位置的距离,卷积步长为1时,卷积核会逐个扫过特征图的元素,步长为n时会在下一次扫描时跳过n-1个像素;由卷积核的交叉相关计算可知,随着卷积层的堆叠,特征图的尺寸会逐步减小;填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法。
在卷积层进行特征提取后,输出的特征与会被传递至池化层进行特征选择和信息过滤,池化层包含预定的池化函数,用于将特征图中单个点的结果替换为其相邻区域的特征图统计量。
压平层用于对矩阵(数组)进行展平,在本公开实施例的技术方案中,经过卷积层和池化层处理后的数据为矩阵形式,压平层用于将矩阵形式的数据转化为一维向量形式的数据,例如,经过卷积层或池化层处理的数据为[2*1*32]的矩阵D,则压平层可将该矩阵D输出为64位的一维向量,便于后续分类处理。
需要说明的是,第一卷积神经网络模型和第二卷积神经网络模型分别输出对第一待识别数据和第二待识别数据的向量形式的表征数据,即第一表征数据和第二表征数据。在获得第一表征数据和第二表征数据之后可通过分类模型进行分类判别,也可以通过计算两个表征的距离,例如欧式距离,可比较两个输入的相似程度。在本公开实施例的技术方案中,使用分类模型进行分类判别。分类模型可包括全连接层和分类层。其中,全连接层用于对输入的数据进行非线性组合。分类层可使用逻辑函数或归一化指数函数输出分类标签。在本公开实施例中,分类层设置成二分类,输出第一输出或第二输出,分别对应表示第一待识别数据与第二待识别数据为同一自然人用户操作产生和第一待识别数据与第二待识别数据为不同用户操作产生。
由上述描述可知,本公开实施例的技术方案,通过限定第一卷积神经网络模型和第二卷积神经网络模型的卷积层、池化层以及压平层的数量可得到更为优化的卷积神经网络的结构,以对图片的特征进行全面地提取、并针对性地选择重要的特征数据,更好地学习图片的特点。
本公开实施例中对卷积核的如大小、步长和池化层等的参数均不作具体限定,业务人员可进行适应性调整。
示例性地,第一卷积神经网络模型和第二卷积神经网络模型均包括:四个卷积层、四个池化层和一个压平层。
如图3所示,本公开实施例的用于识别操作用户的方法300还可包括操作S302:
在操作S302,训练对比识别模型,以使对比识别模型的第一输出和第二输出达到预设精度。
应该理解的是,“训练对比识别模型”包括利用训练集对对比识别模型进行训练,以具备识别第一待识别数据、第二待识别数据是否为同一自然用户操作产生的能力;和利用测试集对对比识别模型进行测试,以使得对比识别模型的识别准确率达到预设数值。
如图3所示,所述训练对比识别模型可包括操作S301:
在操作S301,获取训练数据。
这里所说的“训练数据”包括第一训练数据和第二训练数据,第一训练数据为同一自然人用户的传感器数据,第二训练数据为不同自然人用户的传感器数据。
在本公开实施例的技术方案中,通过利用同一自然人用户的传感器数据和不同自然人用户的传感器数据对对比识别模型进行训练,训练的目标为识别操作主体是否为同一自然人用户,在得到非同一自然人用户操作的结论时,即可认为存在欺诈操作的可能性,具有更高的人机识别准确率。应该理解的是,当第二用户为与第一用户不同的自然人时,则得到第二输出;当第二用户为机器人时,也得到第二输出。
根据本公开实施例的技术方案,传感器数据可至少包括压力传感器数据、重力传感器数据、陀螺仪传感器数据、加速度传感器数据、磁感应传感器数据中的一种。
示例性地,传感器数据包括压力传感器数据、重力传感器数据、陀螺仪传感器数据、加速度传感器数据以及磁感应传感器数据,其中,重力传感器设置成能够采集X、Y、Z三个方向上的重力数据。
根据本公开实施例的技术方案,通过初始生物特征验证确认操作的第一用户为自然人。通过初始生物特征验证可确保初试时操作的第一用户为自然人,为后续对比提供参考。
如图4所示,本公开实施例的用于识别操作用户的方法400还可包括操作S406:
在操作S406,当对比识别模型得到第二输出时,对操作的第二用户进行二次生物特征验证。
应该理解的是,本公开实施例的用于识别操作用户的方法400的操作S401-操作S406均为使用对比识别模型过程中的操作。在本公开实施例的技术方案中,当对比识别模型得到第二输出时,表示不是同一自然人用户操作,则可能是不同的自然人操作或有机器人操作两种情况,本公开实施例的技术方案的目标是避免机器人操作,因此可以允许不同的自然人操作,本公开实施例的技术方案通过二次生物验证可识别是否为不同的自然人操作。后续可允许不同的自然人操作,而禁止机器人操作。
示例性地,初始生物特征验证和二次生物特征验证可包括人脸识别和/或指纹识别。
图5示意性示出了根据本公开实施例的用于识别操作用户的装置的框图。
如图5所示,本公开的另一个方面提供了一种人机识别装置用于识别操作用户的装置400,该装置400可以包括:第一传感器数据获取模块410、第二传感器数据获取模块420、采样模块430、数据输入模块440以及对比模块450。
其中,第一传感器数据获取模块410用于第一传感器数据获取模块用于在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;第二传感器数据获取模块420获取第二用户的第二传感器数据;采样模块430用于分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;数据输入模块430用于将第一待识别数据、第二待识别数据输入对比识别模型;对比模块450用于通过对比识别模型对第一待识别数据与第二待识别数据进行对比,得到第一输出或第二输出,其中,第一输出表示第一待识别数据与第二待识别数据为同一用户操作产生,第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一传感器数据获取模块410、第二传感器数据获取模块420、采样模块430、数据输入模块440以及对比模块450中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一传感器数据获取模块410、第二传感器数据获取模块420、采样模块430、数据输入模块440以及对比模块450中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一传感器数据获取模块410、第二传感器数据获取模块420、采样模块430、数据输入模块440以及对比模块450中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的电子设备的方框图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种用于识别操作用户的方法,其特征在于,包括:
在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;
获取第二用户的第二传感器数据;
分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;
将所述第一待识别数据、所述第二待识别数据输入对比识别模型;
所述对比识别模型对所述第一待识别数据与所述第二待识别数据进行对比,得到第一输出或第二输出,所述第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,所述第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
2.根据权利要求1所述的用于识别操作用户的方法,其特征在于,所述对比识别模型包括第一子模型、第二子模型和分类模型,
所述第一待识别数据输入所述第一子模型,所述第一子模型输出用于表征第一待识别数据的第一表征数据;
所述第二待识别数据输入所述第二子模型,所述第二子模型输出用于表征第二待识别数据的第二表征数据;
所述分类模型对所述第一表征数据、所述第二表征数据进行判断,并得到所述第一输出或所述第二输出。
3.根据权利要求2所述的用于识别操作用户的方法,其特征在于,所述对比识别模型设置成孪生神经网络模型,所述第一子模型设置成第一卷积神经网络模型,所述第二子模型设置成第二卷积神经网络模型,所述第一卷积神经网络模型与所述第二卷积神经网络模型共享权重。
4.根据权利要求3所述的用于识别操作用户的方法,其特征在于,所述第一卷积神经网络模型和所述第二卷积神经网络模型均包括:至少两个卷积层、至少一个池化层和一个压平层。
5.根据权利要求1所述的用于识别操作用户的方法,其特征在于,还包括训练对比识别模型,以使所述对比识别模型的第一输出和第二输出达到预设精度。
6.根据权利要求5所述的用于识别操作用户的方法,其特征在于,所述训练对比识别模型包括:
获取训练数据,
其中,所述训练数据包括第一训练数据和第二训练数据,所述第一训练数据为同一自然人用户的传感器数据,所述第二训练数据为不同自然人用户的传感器数据。
7.根据权利要求1所述的用于识别操作用户的方法,其特征在于,所述传感器数据至少包括压力传感器数据、重力传感器数据、陀螺仪传感器数据、加速度传感器数据、磁感应传感器数据中的一种。
8.根据权利要求1-7中任一项所述的方法,其特征在于,通过初始生物特征验证确认操作的第一用户为自然人。
9.根据权利要求8所述的用于识别操作用户的方法,其特征在于,还包括:
当所述对比识别模型得到第二输出时,对操作的第二用户进行二次生物特征验证。
10.根据权利要求9所述的用于识别操作用户的方法,其特征在于,所述初始生物特征验证和所述二次生物特征验证包括人脸识别和/或指纹识别。
11.一种用于识别操作用户的装置,包括:
第一传感器数据获取模块,所述第一传感器数据获取模块用于在确认操作的第一用户为自然人时,获取第一用户的第一传感器数据;
第二传感器数据获取模块,所述第二传感器数据获取模块用于获取第二用户的第二传感器数据;
采样模块,所述采样模块用于分别对第一传感器数据和第二传感器数据进行采样,获得第一待识别数据和第二待识别数据;
数据输入模块,所述数据输入模块用于将所述第一待识别数据、所述第二待识别数据输入对比识别模型;
对比模块,所述对比模块用于通过所述对比识别模型对所述第一待识别数据与所述第二待识别数据进行对比,得到第一输出或第二输出,其中,所述第一输出表示第一待识别数据与第二待识别数据为同一自然人用户操作产生,所述第二输出表示第一待识别数据与第二待识别数据为不同用户操作产生。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时实现根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619393.4A CN113362070A (zh) | 2021-06-03 | 2021-06-03 | 用于识别操作用户的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619393.4A CN113362070A (zh) | 2021-06-03 | 2021-06-03 | 用于识别操作用户的方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362070A true CN113362070A (zh) | 2021-09-07 |
Family
ID=77531750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110619393.4A Pending CN113362070A (zh) | 2021-06-03 | 2021-06-03 | 用于识别操作用户的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362070A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491991A (zh) * | 2017-08-15 | 2017-12-19 | 上海精数信息科技有限公司 | 基于晃动的人机识别方法及应用其的广告投放方法和系统 |
CN107729986A (zh) * | 2017-09-19 | 2018-02-23 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN109346088A (zh) * | 2018-12-06 | 2019-02-15 | 泰康保险集团股份有限公司 | 身份识别方法、装置、介质及电子设备 |
CN110059794A (zh) * | 2018-01-18 | 2019-07-26 | 北京京东金融科技控股有限公司 | 人机识别方法及装置、电子设备、存储介质 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
CN110516745A (zh) * | 2019-08-28 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 图像识别模型的训练方法、装置及电子设备 |
CN111125658A (zh) * | 2019-12-31 | 2020-05-08 | 深圳市分期乐网络科技有限公司 | 识别欺诈用户的方法、装置、服务器和存储介质 |
CN111444788A (zh) * | 2020-03-12 | 2020-07-24 | 成都旷视金智科技有限公司 | 行为识别的方法、装置及计算机存储介质 |
CN111695415A (zh) * | 2020-04-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像识别模型的构建方法、识别方法及相关设备 |
CN112184241A (zh) * | 2020-09-27 | 2021-01-05 | 中国银联股份有限公司 | 一种身份认证的方法及装置 |
CN112244863A (zh) * | 2020-10-23 | 2021-01-22 | 京东方科技集团股份有限公司 | 信号识别方法、信号识别装置、电子设备及可读存储介质 |
-
2021
- 2021-06-03 CN CN202110619393.4A patent/CN113362070A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491991A (zh) * | 2017-08-15 | 2017-12-19 | 上海精数信息科技有限公司 | 基于晃动的人机识别方法及应用其的广告投放方法和系统 |
CN107729986A (zh) * | 2017-09-19 | 2018-02-23 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN110059794A (zh) * | 2018-01-18 | 2019-07-26 | 北京京东金融科技控股有限公司 | 人机识别方法及装置、电子设备、存储介质 |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN109346088A (zh) * | 2018-12-06 | 2019-02-15 | 泰康保险集团股份有限公司 | 身份识别方法、装置、介质及电子设备 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
CN110516745A (zh) * | 2019-08-28 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 图像识别模型的训练方法、装置及电子设备 |
CN111125658A (zh) * | 2019-12-31 | 2020-05-08 | 深圳市分期乐网络科技有限公司 | 识别欺诈用户的方法、装置、服务器和存储介质 |
CN111444788A (zh) * | 2020-03-12 | 2020-07-24 | 成都旷视金智科技有限公司 | 行为识别的方法、装置及计算机存储介质 |
CN111695415A (zh) * | 2020-04-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像识别模型的构建方法、识别方法及相关设备 |
CN112184241A (zh) * | 2020-09-27 | 2021-01-05 | 中国银联股份有限公司 | 一种身份认证的方法及装置 |
CN112244863A (zh) * | 2020-10-23 | 2021-01-22 | 京东方科技集团股份有限公司 | 信号识别方法、信号识别装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7414901B2 (ja) | 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN108446674A (zh) | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 | |
CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
CN109766755B (zh) | 人脸识别方法及相关产品 | |
CN109886222B (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
CN108614970B (zh) | 病毒程序的检测方法、模型训练方法、装置及设备 | |
US11126827B2 (en) | Method and system for image identification | |
CN108847941B (zh) | 身份认证方法、装置、终端及存储介质 | |
CN112364803A (zh) | 活体识别辅助网络和训练方法、终端、设备及存储介质 | |
CN110991249A (zh) | 人脸检测方法、装置、电子设备及介质 | |
CN108875509A (zh) | 活体检测方法、装置和系统及存储介质 | |
CN113408570A (zh) | 一种基于模型蒸馏的图像类别识别方法、装置、存储介质及终端 | |
CN112989334A (zh) | 一种机器学习的数据检测方法及相关设备 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN110674480A (zh) | 行为数据处理方法、装置、设备及可读存储介质 | |
CN115935265B (zh) | 训练风险识别模型的方法、风险识别方法及对应装置 | |
CN113362070A (zh) | 用于识别操作用户的方法、装置、电子设备和介质 | |
CN113657293B (zh) | 活体检测方法、装置、电子设备、介质及程序产品 | |
CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN115423050A (zh) | 一种虚假新闻检测方法、装置、电子设备及存储介质 | |
CN117011909A (zh) | 人脸识别模型的训练方法、人脸识别的方法和装置 | |
CN113850197A (zh) | 业务处理方法、装置和电子设备 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN116434287A (zh) | 一种人脸图像检测方法、装置、电子设备及存储介质 | |
CN113838579A (zh) | 一种医疗数据的异常检测方法、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 |