CN113538413B - 图像检测方法及装置、电子设备和存储介质 - Google Patents

图像检测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113538413B
CN113538413B CN202110926402.4A CN202110926402A CN113538413B CN 113538413 B CN113538413 B CN 113538413B CN 202110926402 A CN202110926402 A CN 202110926402A CN 113538413 B CN113538413 B CN 113538413B
Authority
CN
China
Prior art keywords
image
decomposition
feature
images
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.)
Active
Application number
CN202110926402.4A
Other languages
English (en)
Other versions
CN113538413A (zh
Inventor
刘昊岳
殷雨昕
刘设伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Taikang Online Property Insurance Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taikang Insurance Group Co Ltd, Taikang Online Property Insurance Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN202110926402.4A priority Critical patent/CN113538413B/zh
Publication of CN113538413A publication Critical patent/CN113538413A/zh
Application granted granted Critical
Publication of CN113538413B publication Critical patent/CN113538413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开是关于一种图像检测方法及装置、电子设备以及计算机可读存储介质，涉及图像处理技术领域，可以应用于检测某一图像是否为翻拍图像的场景。该方法包括：获取待检测图像；获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像；由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。本公开可以采用图像检测模型对待检测图像进行图像检测，以确定该图像是否为翻拍图像。

Description

图像检测方法及装置、电子设备和存储介质
技术领域
本公开涉及图像处理技术领域，具体而言，涉及一种图像检测方法、图像检测装置、电子设备以及计算机可读存储介质。
背景技术
随着国内宠物医疗及消费市场高速增长，宠物险成为了财产险行业未来重要的扩展方向之一。但现阶段宠物险风控手段相对匮乏，可能出现的风险点主要包括：
(1)宠物投保/理赔环节的审核需要从网络途径上传照片等电子材料，而客户上传的资料真实性不可控，可能从网站、他人手机等处拍摄不属于自己的宠物进行虚假投保与理赔，以此获取不当利益；
(2)宠物的种类繁多，不同种类间的差距较大，而种类间的差距小，不易判断投保与理赔的宠物是否属于同一只。
如果不能很好的处理好以上风险，则很可能出现大规模的客户骗保情况，从而使宠物险业务无法继续开展，并给保险公司带来亏损的风险。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像检测方法、图像检测装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服采用人工检测方式确定某一图像是否为翻拍图像时效率低下，且检测准确率低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本公开的第一方面，提供一种图像检测方法，包括：获取待检测图像；获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像；由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。
在本公开的一种示例性实施方案中，图像检测模型通过下述步骤训练得到：确定训练图像集；训练图像集包括第一类别图像与第二类别图像；对训练图像集中的各图像分别进行图像分解处理，得到多个分解图像；获取初始模型，根据多个分解图像确定初始模型的模型损失函数；根据模型损失函数对初始模型进行训练，得到图像检测模型。
在本公开的一种示例性实施方案中，确定训练图像集，包括：获取第一光照条件下的第一正常图像与第一翻拍图像，作为第一类别图像；获取第二光照条件下的第二正常图像与第二翻拍图像，作为第二类别图像；对第一类别图像进行分类标注处理，得到对应的标注类别图像；根据标注类别图像与第二类别图像生成训练图像集。
在本公开的一种示例性实施方案中，对训练图像集中的各图像分别进行图像分解处理，得到多个分解图像，包括：获取图像分解参数；基于图像分解参数分别对训练图像集中的各个图像进行图像分解处理，得到对应的分解图像；分解图像包括第一分解图像、第二分解图像、第三分解图像与第四分解图像；第一分解图像、第二分解图像与第三分解图像均包含高频分量，第四分解图像仅包含低频分量。
在本公开的一种示例性实施方案中，初始模型包括第一卷积子网络与第二卷积子网络，根据多个分解图像确定初始模型的模型损失函数，包括：对各分解图像进行特征提取处理，得到对应的分解特征；对多个分解特征进行特征融合处理，以得到融合特征；将融合特征输入至第一卷积子网络，以确定分类损失函数；将融合特征输入至第二卷积子网络，得到域损失函数；根据分类损失函数与域损失函数确定模型损失函数。
在本公开的一种示例性实施方案中，初始模型包括多个特征提取层，对多个分解特征进行特征融合处理，以得到融合特征，包括：分别将第一分解图像、第二分解图像、第三分解图像与第四分解图像输入至特征提取层，得到对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征；分别对第一分解特征、第二分解特征与第三分解特征进行元素最大值提取处理，得到高频融合特征；将高频融合特征与第四分解特征进行元素相乘处理，得到融合特征。
在本公开的一种示例性实施方案中，将融合特征输入至第二卷积子网络，得到域损失函数，包括：获取预先设定的核函数；根据第一类别图像与核函数确定第一类别图像对应的源域图像特征；根据第二类别图像与核函数确定第二类别图像对应的目标域图像特征；根据源域图像特征与目标域图像特征确定域损失函数。
根据本公开的第二方面，提供一种图像检测装置，包括：图像获取模块，用于获取待检测图像；模型获取模块，用于获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像；图像检测模块，用于由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。
在本公开的一种示例性实施方案中，图像检测装置还包括模型训练模块，用于确定训练图像集；训练图像集包括第一类别图像与第二类别图像；对训练图像集中的各图像分别进行图像分解处理，得到多个分解图像；获取初始模型，根据多个分解图像确定初始模型的模型损失函数；根据模型损失函数对初始模型进行训练，得到图像检测模型。
在本公开的一种示例性实施方案中，模型训练模块包括图像训练集确定单元，用于获取第一光照条件下的第一正常图像与第一翻拍图像，作为第一类别图像；获取第二光照条件下的第二正常图像与第二翻拍图像，作为第二类别图像；对第一类别图像进行分类标注处理，得到对应的标注类别图像；根据标注类别图像与第二类别图像生成训练图像集。
在本公开的一种示例性实施方案中，模型训练模块包括图像分解单元，用于获取图像分解参数；基于图像分解参数分别对训练图像集中的各个图像进行图像分解处理，得到对应的分解图像；分解图像包括第一分解图像、第二分解图像、第三分解图像与第四分解图像；第一分解图像、第二分解图像与第三分解图像均包含高频分量，第四分解图像仅包含低频分量。
在本公开的一种示例性实施方案中，模型训练模块包括包括损失函数确定单元，用于对各分解图像进行特征提取处理，得到对应的分解特征；对多个分解特征进行特征融合处理，以得到融合特征；将融合特征输入至第一卷积子网络，以确定分类损失函数；将融合特征输入至第二卷积子网络，得到域损失函数；根据分类损失函数与域损失函数确定模型损失函数。
在本公开的一种示例性实施方案中，损失函数确定单元包括融合特征确定子单元，用于分别将第一分解图像、第二分解图像、第三分解图像与第四分解图像输入至特征提取层，得到对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征；分别对第一分解特征、第二分解特征与第三分解特征进行元素最大值提取处理，得到高频融合特征；将高频融合特征与第四分解特征进行元素相乘处理，得到融合特征。
在本公开的一种示例性实施方案中，损失函数确定单元包括损失函数确定子单元，用于获取预先设定的核函数；根据第一类别图像与核函数确定第一类别图像对应的源域图像特征；根据第二类别图像与核函数确定第二类别图像对应的目标域图像特征；根据源域图像特征与目标域图像特征确定域损失函数。
根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的图像检测方法。
根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的图像检测方法。
本公开提供的技术方案可以包括以下有益效果：
本公开的示例性实施例中的图像检测方法，获取待检测图像；获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像；由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。一方面，采用图像检测模型对待检测图像进行翻拍检测，与人工检测方法相比，可以有效提高检测效率与准确率。另一方面，通过筛选翻拍图像中特有的纹理特征，并基于不同光照条件下的正常图像与翻拍图像训练得到的图像检测模型，可以有效解决图像翻拍特征在低亮度条件下不明显的问题，以适应不同光照条件下的翻拍检测。又一方面，通过分类损失函数与域损失函数确定模型损失函数，可以提高图像检测模型在低亮度条件下的检测准确率，极大地增加了算法的适应性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出了根据本公开的示例性实施方式的图像检测方法的流程图；
图2示意性示出了根据本公开的示例性实施方式的进行图像检测的业务流程图；
图3示意性示出了根据本公开的示例性实施方式的图像检测模型的模型训练的流程图；
图4示意性示出了根据本公开的示例性实施方式的图像检测模型的模型结构图；
图5示意性示出了根据本公开的示例性实施方式的确定图像检测模型的模型损失函数的流程图；
图6示意性示出了根据本公开的示例性实施方式的图像检测装置的方框图；
图7示意性示出了根据本公开一示例性实施例的电子设备的框图；
图8示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
翻拍可以是把照片、底片、绘图、文件图表等原件制成复制品的技术。在一些场景中，复制照片不只要保持原件的面貌，通过翻拍还可以校正原件的某些缺点。而在另一些场景中，图像翻拍者可能利用翻拍照片获取不正当利益。举例而言，在宠物险业务场景中，宠物投保者可能从网站、他人手机等处拍摄不属于自己的宠物进行虚假投保与理赔，以此获取不当利益。另外，由于宠物的种类繁多，不同种类间的差距较大，而种类间的差距小，不易判断投保与理赔的宠物是否属于同一只。
基于此，在本示例实施例中，首先提供了一种图像检测方法，可以利用服务器来实现本公开的图像检测方法，也可以利用终端设备来实现本公开所述的方法，其中，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(PersonalDigital Assistant，PDA)、可穿戴设备等移动终端，以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的图像检测方法流程的示意图。
参考图1，该图像检测方法可以包括以下步骤：
步骤S110，获取待检测图像。
在本公开的一些示例性实施方式中，待检测图像可以是等待检测是否是通过翻拍得到的图像。
在对待检测图像进行翻拍检测前，可以先获取一图像作为待检测图像。
步骤S120，获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像。
在本公开的一些示例性实施方式中，图像检测模型可以是用于检测某一图像是否为翻拍图像所采用的模型。第一类别图像可以是处于正常光照条件下的正常图像与翻拍图像。第二类别图像可以是处于低亮度光照条件下的正常图像与翻拍图像。第一光照条件可以是正常光照条件。第一正常图像可以是处于正常关照条件下的原始图像。第一翻拍图像可以是处于正常光照条件下的翻拍图像。第二光照条件可以是低亮度光照条件。第二正常图像可以是处于低亮度关照条件下的原始图像。第二翻拍图像可以是处于低亮度光照条件下的翻拍图像。
获取用于进行图像翻拍检测的图像检测模型；其中，图像检测模型可以是基于第一类别图像和第二类别图像进行训练得到的。将第一类别图像和第二类别图像输入至原始网络模型中，由原始网络模型学习第一类别图像与第二类别图像的图像特征，得到最终的图像检测模型。
步骤S130，由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。
在本公开的一些示例性实施方式中，检测结果是由图像检测模型对待检测图像进行图像检测后输出的图像是否为翻拍图像的结果。
在获取到待检测图像后，可以将待检测图像输入至图像检测模型中，由图像检测模型对待检测图像进行图像检测处理，并输出检测结果，确定待检测图像是否为翻拍图像。
参考图2，图2示意性示出了根据本公开的示例性实施方式的进行图像检测的业务流程图。在步骤S210中，通过前端上传图像。举例而言，以宠物图像翻拍检测场景为例，在宠物险投保业务中，投保用户可以通过前端平台上传待审核电子图像至图像检测系统210中。图像检测系统210在接收到待检测图像后，可以将待检测图像发送至翻拍检测接口220，由翻拍检测接口220调用图像翻拍检测服务，对待检测图像进行图像翻拍检测，并将得到的检测结果返回至图像检测系统210。在步骤S220中，业务人员可以根据检测结果判断图像是否符合标准。
根据本示例实施例中的图像检测方法，一方面，采用图像检测模型对待检测图像进行翻拍检测，与人工检测方法相比，可以有效提高检测效率与准确率。另一方面，基于不同光照条件下的正常图像与翻拍图像训练得到的图像检测模型，可以有效解决图像翻拍特征在低亮度条件下不明显的问题，以适应不同光照条件下的翻拍检测。
下面，将对本示例实施例中的图像检测方法进行进一步的说明。
在本公开的一种示例性实施方案中，图像检测模型通过下述步骤训练得到：确定训练图像集；训练图像集包括第一类别图像与第二类别图像；对训练图像集中的各图像分别进行图像分解处理，得到多个分解图像；获取初始模型，根据多个分解图像确定初始模型的模型损失函数；根据模型损失函数对初始模型进行训练，得到图像检测模型。
其中，训练图像集可以是用于训练图像检测模型所采用的图像数据集。图像分解处理可以是对一个图像分解为多个子图像所进行的分解处理过程。分解图像可以是对训练图像集中的图像进行分解处理后得到的图像。模型损失函数可以是可以是用于评价模型的预测值与真实值不一样的程度的函数。通常模型损失函数越好，模型的性能越好。
图像检测模型可以通过下述步骤训练得到：参考图3，图3示意性示出了根据本公开的示例性实施方式的图像检测模型的模型训练的流程图。在步骤S310中，确定训练图像集；训练图像集包括第一类别图像与第二类别图像。训练图像检测模型所采用的图像可以包括第一类别图像和第二类别图像，并且训练图像集可以包括已标注的图像和未标注的图像两类。具体的，已标注的图像包含带标签的正常图像与翻拍图像，带标签的正常图像与翻拍图像可以分别是第一光照条件(即正常光照条件)下的正常图像与翻拍图像；未标注的图像包含第二光照条件(低亮度条件)下的正常图像与翻拍图像，且图像未被标注。
在步骤S320中，对训练图像集中的各图像分别进行图像分解处理，得到多个分解图像。在获取到训练图像集后，可以对训练图像集中的所有图像进行图像分解处理，例如，可以采用小波分解方式对训练图像集中的图像进行分解处理，得到对应的分解图像。
在步骤S330中，获取初始模型，根据多个分解图像确定初始模型的模型损失函数。在获取到初始模型后，可以将得到的多个分解图像输入值初始模型，由初始模型中的模型结构对分解图像进行处理，确定出对应的模型损失函数。
在步骤S340中，根据模型损失函数对初始模型进行训练，得到图像检测模型。在确定出模型损失函数后，可以基于模型损失函数对初始模型进行训练，直至模型损失函数收敛，得到训练后的图像检测模型，以对图像进行翻拍检测。
在本公开的一种示例性实施方案中，获取第一光照条件下的第一正常图像与第一翻拍图像，作为第一类别图像；获取第二光照条件下的第二正常图像与第二翻拍图像，作为第二类别图像；对第一类别图像进行分类标注处理，得到对应的标注类别图像；根据标注类别图像与第二类别图像生成训练图像集。
其中，分类标注处理可以是对图像所属类别的进行标注的处理过程。标注类别图像可以是对第一类别图像进行分类标注处理后得到的图像，分类标注图像具有分类标签。
为了提高模型在不同亮度条件下的自适应能力，在确定训练图像集时，可以获取第一光照条件(即正常光照条件)下的正常图像与翻拍图像，作为第一类别图像；并获取第二光照条件(低亮度条件)下的正常图像与翻拍图像，作为第二类别图像。在确定出第一类别图像与第二类别图像后，可以对第一类别图像进行分类标注处理，如对图像的光照条件，以及是否为翻拍图像等进行标注，作为Labeled Images。对于第二类别图像，仅确定第二类别图像为第二光照条件下的图像，但不含翻拍与否的标签。将标注类别图像(即标注完成后的第一类别图像)与第二类别图像组成训练图像集。
在本公开的一种示例性实施方案中，获取图像分解参数；基于图像分解参数分别对训练图像集中的各个图像进行图像分解处理，得到对应的分解图像；分解图像包括第一分解图像、第二分解图像、第三分解图像与第四分解图像；第一分解图像、第二分解图像与第三分解图像均包含高频分量，第四分解图像仅包含低频分量。
其中，图像分解参数可以是对图像进行分解处理所采用的参数。高频分量可以是灰度变换比较小的图像的分量。高频分量可以是灰度变化比较大的图像，如边缘、纹理、噪声(即噪点)。第一分解图像可以是行列均为高频分量的分解图像。第二分解图像可以是行为高频分量列为低频分量的分解图像。第二分解图像可以是行为低频分量列为高频分量的分解图像。第四分解图像可以是行列均为低频分量的分解图像。
在获取到训练图像集后，可以对训练图像集中的图像进行图像分解处理，并采用图像分解方式对图像进行分解处理，本公开对具体采用的图像分解算法不作任何特殊限定。此处以采用小波分解的处理方式对图像进行分解处理的过程进行说明。首先，可以采用哈尔(Haar)小波变换方式对训练图像集中的图像进行变换，小波变化公式如公式(1)所示。
其中，ψ(t)可以是Haar小波基函数，τ和s可以是变量参数。Haar小波基函数可以如公式(2)所示。
通过公式(1)与公式(2)可以对训练图像集中的图像进行分解处理，得到四个分解图像，即第一分解图像、第二分解图像、第三分解图像与第四分解图像，分别标记为HH、HL、LH、LL；其中，第一分解图像、第二分解图像与第三分解图像均包含高频分量，第四分解图像仅包含低频分量。利用小波变换筛选出翻拍图像中特有的纹理特征，以此作为神经网络的输入可准确的辨别图像是否为翻拍其他手机、电脑屏幕所得，可用于所有需要检测翻拍图像的领域。
在对图像进行小波分析过程中，还可以采用其他小波函数进行，例如Daubechies函数、Biorthogonal函数、Coiflets函数以及Symlets函数等等，本公开对所采用的小波函数的具体类型不作任何特殊限定。
在本公开的一种示例性实施方案中，初始模型包括第一卷积子网络与第二卷积子网络，根据多个分解图像确定初始模型的模型损失函数，包括：对各分解图像进行特征提取处理，得到对应的分解特征；对多个分解特征进行特征融合处理，以得到融合特征；将融合特征输入至第一卷积子网络，以确定分类损失函数；将融合特征输入至第二卷积子网络，得到域损失函数；根据分类损失函数与域损失函数确定模型损失函数。
其中，卷积子网络可以是包含卷积神经网络(Convolution Neural Network，CNN)结构的网络。第一卷积子网络与第二卷积子网络可以包含不同的CNN网络结构，且可以对不同的输入内容进行处理。分解特征可以是对分解图像进行特征提取处理后得到的特征。特征融合处理可以将多个分解特征进行融合处理的处理过程。融合特征可以是对多个分解特征进行特征融合处理后得到的特征。分类损失函数可以是为了训练模型对正常图像与翻拍图像的区分能力所采用的损失函数。域损失函数可以是为了训练模型对正常亮度图像与低亮度图像的区分能力所采用的损失函数所采用的损失函数。
在得到分解图像后，将四类分解图像分别输入至初始模型，由初始模型对四类分解图像进行图像特征提取，以得到对应的图像分解特征。参考图4，图4示意性示出了根据本公开的示例性实施方式的图像检测模型的模型结构图。在图4中，将训练图像集(包括第一分类图像与第二分类图像)进行图像分解处理，得到第一分解图像、第二分解图像、第三分解图像与第四分解图像。
在得到分解图像后，参考图5，图5示意性示出了根据本公开的示例性实施方式的确定图像检测模型的模型损失函数的流程图。在步骤S510中，对各分解图像进行特征提取处理，得到对应的分解特征。继续参考图4，由初始模型中的CNN网络结构对四类分解图像分别进行特征提取处理，得到各自对应的分解特征。在步骤S520中，对多个分解特征进行特征融合处理，以得到融合特征。
在步骤S530中，将融合特征输入至第一卷积子网络(CNN1)，以确定分类损失函数。将融合特征经第一卷积子网络处理后，得到模型的分类损失函数，如交叉熵分类(Classification loss)损失，以用于训练模型使能够区分正常图像与翻拍图像。在步骤S540中，将融合特征输入至第二卷积子网络(CNN2)，得到域损失函数。将融合特征经过与CNN1同样结构的CNN2后计算二者之间的域损失(Domain loss)函数，如最大均值差异损失函数，域损失函数可以用于训练模型使之能够学习到正常亮度图片与低亮度图片之间的区别，使模型能够在低亮度条件下同样具有较好的翻拍检测能力。在步骤S550中，根据分类损失函数与域损失函数确定模型损失函数。在得到分类损失函数与域损失函数后，可以将二者结合作为训练图像检测模型的模型损失函数。
在本公开的一种示例性实施方案中，分别将第一分解图像、第二分解图像、第三分解图像与第四分解图像输入至特征提取层，得到对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征；分别对第一分解特征、第二分解特征与第三分解特征进行元素最大值提取处理，得到高频融合特征；将高频融合特征与第四分解特征进行元素相乘处理，得到融合特征。
其中，特征提取层可以是用于进行图像特征提取所采用的网络层。第一分解特征、第二分解特征、第三分解特征与第四分解特征分别是第一分解图像、第二分解图像、第三分解图像与第四分解图像各自对应的图像特征。最大值提取处理可以是确定多个值中的最大值的计算过程。高频融合特征可以是对高频分量进行特征融合处理后得到的特征。元素相乘处理可以是将多个元素各自之间进行相乘计算的处理过程。
继续参考图4，在得到第一分解图像(HH)、第二分解图像(HL)、第三分解图像(LH)与第四分解图像(LL)后，可以分别将这四类分解图像输入至特征提取层，得到各自对应的第一分解特征(pool_1_HH)、第二分解特征(pool_1_HL)、第三分解特征(pool_1_LH)与第四分解特征(pool_1_LL)；其中，特征提取层所采用的网络结构相同。
将得到的前三种分解特征(即pool_1_HH、pool_1_HL、pool_1_LH)，三个同尺寸的高频部分张量进行逐元素取最大值操作，得到高频融合张量(Max_LH_HL_HH)进行元素最大值提取处理，得到高频融合特征，具体计算方式为：Max_LH_HL_HH＝Maximum([pool_1_LH,pool_1_HL,pool_1_HH])。将得到高频融合特征Max_LH_HL_HH与第四分解特征pool_1_LL进行元素相乘处理(merge)，得到融合特征(Merged)。
在本公开的一种示例性实施方案中，获取预先设定的核函数；根据第一类别图像与核函数确定第一类别图像对应的源域图像特征；根据第二类别图像与核函数确定第二类别图像对应的目标域图像特征；根据源域图像特征与目标域图像特征确定域损失函数。
其中，核函数可以是用于提取不同域图像的图像特征所采用的函数。
继续参考图4，将融合特征分别输入两个结构完全相同的神经网络CNN1与CNN2，CNN1网络采用归一化指数(softmax)分类损失函数Lsoftmax，用于对翻拍与正常图像进行分类。CNN1与CNN2之间利用源域及目标域特征之间的最大均值差异(Maximum MeanDiscrepancy，MMD)距离来作为域损失，第一类别图像XS即为正常光照条件下的图像(含类别标注)，第二类别图像XT即为低光照条件下的图像(不含类别标注)，MMD损失使图像能够学习到正常亮度图像与低亮度图像之间的区别，如公式3所示，
其中，φ(·)为任意的核函数(如高斯核函数等)。利用域自适应的方法可以用于提高算法在低亮度条件下的检测准确率，极大地增加了算法的适应性。
图像检测模型的模型损失函数如公式4所示，在确定出模型损失函数后，可以采用模型损失函数对初始模型进行模型训练处理，使得训练后的得到的图像检测模型可以获得在各种光照情况下均能进行翻拍检测的能力。
L＝Lsoftmax+λMMD2(XS,XT) (公式4)
其中，λ为平衡系数，可以用于平衡两个损失函数之间的大小关系。
需要说明的是，本公开所使用的术语“第一”、“第二”、“第三”、“第四”等，仅是为了区分不同的正常图像、不同的翻拍图像、不同的光照条件、不同的分解图像、不同的卷积自网络、不同的分解特征等等，并不应对本公开造成任何限制。
综上所述，本公开的图像检测方法，获取待检测图像；获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像；由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。一方面，采用图像检测模型对待检测图像进行翻拍检测，与人工检测方法相比，可以有效提高检测效率与准确率。另一方面，基于不同光照条件下的正常图像与翻拍图像训练得到的图像检测模型，可以有效解决图像翻拍特征在低亮度条件下不明显的问题，以适应不同光照条件下的翻拍检测。
需要说明的是，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种图像检测装置。参考图6，该图像检测装置600可以包括：图像获取模块610、模型获取模块620以及图像检测模块630。
具体的，图像获取模块610，用于获取待检测图像；模型获取模块620，用于获取预先构建的图像检测模型；图像检测模型通过对第一类别图像与第二类别图像进行训练得到；第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像；图像检测模块630，用于由图像检测模型输出待检测图像的检测结果，以确定待检测图像是否为翻拍图像。
在本公开的一种示例性实施方案中，图像检测装置还包括模型训练模块，用于确定训练图像集；训练图像集包括第一类别图像与第二类别图像；对训练图像集中的各图像分别进行图像分解处理，得到多个分解图像；获取初始模型，根据多个分解图像确定初始模型的模型损失函数；根据模型损失函数对初始模型进行训练，得到图像检测模型。
在本公开的一种示例性实施方案中，模型训练模块包括图像训练集确定单元，用于获取第一光照条件下的第一正常图像与第一翻拍图像，作为第一类别图像；获取第二光照条件下的第二正常图像与第二翻拍图像，作为第二类别图像；对第一类别图像进行分类标注处理，得到对应的标注类别图像；根据标注类别图像与第二类别图像生成训练图像集。
在本公开的一种示例性实施方案中，模型训练模块包括图像分解单元，用于获取图像分解参数；基于图像分解参数分别对训练图像集中的各个图像进行图像分解处理，得到对应的分解图像；分解图像包括第一分解图像、第二分解图像、第三分解图像与第四分解图像；第一分解图像、第二分解图像与第三分解图像均包含高频分量，第四分解图像仅包含低频分量。
在本公开的一种示例性实施方案中，模型训练模块包括包括损失函数确定单元，用于对各分解图像进行特征提取处理，得到对应的分解特征；对多个分解特征进行特征融合处理，以得到融合特征；将融合特征输入至第一卷积子网络，以确定分类损失函数；将融合特征输入至第二卷积子网络，得到域损失函数；根据分类损失函数与域损失函数确定模型损失函数。
在本公开的一种示例性实施方案中，损失函数确定单元包括融合特征确定子单元，用于分别将第一分解图像、第二分解图像、第三分解图像与第四分解图像输入至特征提取层，得到对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征；分别对第一分解特征、第二分解特征与第三分解特征进行元素最大值提取处理，得到高频融合特征；将高频融合特征与第四分解特征进行元素相乘处理，得到融合特征。
在本公开的一种示例性实施方案中，损失函数确定单元包括损失函数确定子单元，用于获取预先设定的核函数；根据第一类别图像与核函数确定第一类别图像对应的源域图像特征；根据第二类别图像与核函数确定第二类别图像对应的目标域图像特征；根据源域图像特征与目标域图像特征确定域损失函数。
上述中各图像检测装置的虚拟模块的具体细节已经在对应的图像检测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了图像检测装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参考图7来描述根据本发明的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。
存储单元720可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备770(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图8所示，描述了根据本发明的实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种图像检测方法，其特征在于，包括：
获取待检测图像；
获取预先构建的图像检测模型；所述图像检测模型通过对第一类别图像与第二类别图像中各图像对应的多个分解图像的融合特征进行训练得到；所述第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；所述第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像，所述多个分解图像包括第一分解图像、第二分解图像、第三分解图像与第四分解图像；所述第一分解图像、所述第二分解图像与所述第三分解图像均包含高频分量，所述第四分解图像仅包含低频分量；
由所述图像检测模型输出所述待检测图像的检测结果，以确定所述待检测图像是否为翻拍图像；
所述融合特征通过下述步骤得到：
分别确定所述第一分解图像、所述第二分解图像、所述第三分解图像与所述第四分解图像各自对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征；
分别对所述第一分解特征、所述第二分解特征与所述第三分解特征进行元素最大值提取处理，得到高频融合特征；
将所述高频融合特征与所述第四分解特征进行元素相乘处理，得到所述融合特征。
2.根据权利要求1所述的方法，其特征在于，所述图像检测模型通过下述步骤训练得到：
确定训练图像集；所述训练图像集包括所述第一类别图像与所述第二类别图像；
对所述训练图像集中的各图像分别进行图像分解处理，得到所述多个分解图像；
获取初始模型，根据所述多个分解图像确定所述初始模型的模型损失函数；
根据所述模型损失函数对所述初始模型进行训练，得到所述图像检测模型。
3.根据权利要求2所述的方法，其特征在于，所述确定训练图像集，包括：
获取所述第一光照条件下的第一正常图像与第一翻拍图像，作为所述第一类别图像；
获取所述第二光照条件下的第二正常图像与第二翻拍图像，作为所述第二类别图像；
对所述第一类别图像进行分类标注处理，得到对应的标注类别图像；
根据所述标注类别图像与所述第二类别图像生成所述训练图像集。
4.根据权利要求2所述的方法，其特征在于，所述对所述训练图像集中的各图像分别进行图像分解处理，得到所述多个分解图像，包括：
获取图像分解参数；
基于所述图像分解参数分别对所述训练图像集中的各个图像进行图像分解处理，得到对应的所述多个分解图像。
5.根据权利要求2所述的方法，其特征在于，所述初始模型包括第一卷积子网络与第二卷积子网络，所述根据所述多个分解图像确定所述初始模型的模型损失函数，包括：
对所述多个分解图像分别进行特征提取处理，得到对应的分解特征；
对多个所述分解特征进行特征融合处理，以得到融合特征；
将所述融合特征输入至所述第一卷积子网络，以确定分类损失函数；
将所述融合特征输入至所述第二卷积子网络，得到域损失函数；
根据所述分类损失函数与所述域损失函数确定模型损失函数。
6.根据权利要求5所述的方法，其特征在于，所述初始模型包括多个特征提取层，所述对多个所述分解特征进行特征融合处理，以得到融合特征，还包括：
分别将所述第一分解图像、所述第二分解图像、所述第三分解图像与所述第四分解图像输入至所述特征提取层，得到对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征。
7.根据权利要求5所述的方法，其特征在于，所述将所述融合特征输入至所述第二卷积子网络，得到域损失函数，包括：
获取预先设定的核函数；
根据所述核函数确定所述第一类别图像对应的源域图像特征；
根据所述核函数确定所述第二类别图像对应的目标域图像特征；
根据所述源域图像特征与所述目标域图像特征确定所述域损失函数。
8.一种图像检测装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
模型获取模块，用于获取预先构建的图像检测模型；所述图像检测模型通过对第一类别图像与第二类别图像中各图像对应的多个分解图像的融合特征进行训练得到；所述第一类别图像包括第一光照条件下的第一正常图像与第一翻拍图像；所述第二类别图像包括第二光照条件下的第二正常图像与第二翻拍图像，所述多个分解图像包括第一分解图像、第二分解图像、第三分解图像与第四分解图像；所述第一分解图像、所述第二分解图像与所述第三分解图像均包含高频分量，所述第四分解图像仅包含低频分量；
图像检测模块，用于由所述图像检测模型输出所述待检测图像的检测结果，以确定所述待检测图像是否为翻拍图像；
模型训练模块，用于分别确定所述第一分解图像、所述第二分解图像、所述第三分解图像与所述第四分解图像各自对应的第一分解特征、第二分解特征、第三分解特征与第四分解特征；
分别对所述第一分解特征、所述第二分解特征与所述第三分解特征进行元素最大值提取处理，得到高频融合特征；
将所述高频融合特征与所述第四分解特征进行元素相乘处理，得到所述融合特征。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的图像检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的图像检测方法。
CN202110926402.4A 2021-08-12 2021-08-12 图像检测方法及装置、电子设备和存储介质 Active CN113538413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110926402.4A CN113538413B (zh) 2021-08-12 2021-08-12 图像检测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110926402.4A CN113538413B (zh) 2021-08-12 2021-08-12 图像检测方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113538413A CN113538413A (zh) 2021-10-22
CN113538413B true CN113538413B (zh) 2023-11-24

Family

ID=78122360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110926402.4A Active CN113538413B (zh) 2021-08-12 2021-08-12 图像检测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113538413B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241873A (zh) * 2018-11-28 2020-06-05 马上消费金融股份有限公司 图像翻拍检测方法及其模型的训练方法、支付方法及装置
CN111738315A (zh) * 2020-06-10 2020-10-02 西安电子科技大学 基于对抗融合多源迁移学习的图像分类方法
CN111881707A (zh) * 2019-12-04 2020-11-03 马上消费金融股份有限公司 图像翻拍检测方法、身份验证方法、模型训练方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9974466B2 (en) * 2011-10-17 2018-05-22 Atlas5D, Inc. Method and apparatus for detecting change in health status

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241873A (zh) * 2018-11-28 2020-06-05 马上消费金融股份有限公司 图像翻拍检测方法及其模型的训练方法、支付方法及装置
CN111881707A (zh) * 2019-12-04 2020-11-03 马上消费金融股份有限公司 图像翻拍检测方法、身份验证方法、模型训练方法及装置
CN111738315A (zh) * 2020-06-10 2020-10-02 西安电子科技大学 基于对抗融合多源迁移学习的图像分类方法

Also Published As

Publication number Publication date
CN113538413A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109255369B (zh) 利用神经网络识别图片的方法及装置、介质和计算设备
WO2022105125A1 (zh) 图像分割方法、装置、计算机设备及存储介质
CN111275107A (zh) 一种基于迁移学习的多标签场景图像分类方法及装置
CN109034206A (zh) 图像分类识别方法、装置、电子设备及计算机可读介质
CN111107048A (zh) 一种钓鱼网站检测方法、装置和存储介质
CN110222694B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112598045A (zh) 训练神经网络的方法、图像识别方法及图像识别装置
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN113869138A (zh) 多尺度目标检测方法、装置及计算机可读存储介质
Li et al. Towards photo-realistic visible watermark removal with conditional generative adversarial networks
CN114663952A (zh) 对象分类方法、深度学习模型的训练方法、装置和设备
Chen et al. Instance segmentation in the dark
JP7499402B2 (ja) エンドツーエンドウォーターマーキングシステム
CN111522979B (zh) 图片排序推荐方法、装置、电子设备、存储介质
Deeba et al. A novel image dehazing framework for robust vision‐based intelligent systems
CN111104941B (zh) 图像方向纠正方法、装置及电子设备
CN114693970A (zh) 对象分类方法、深度学习模型的训练方法、装置和设备
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN108564134B (zh) 数据处理方法、装置、计算设备和介质
CN111914850B (zh) 图片特征提取方法、装置、服务器和介质
CN113538413B (zh) 图像检测方法及装置、电子设备和存储介质
Akhtar et al. Mobile-UNet GAN: A single-image dehazing model
WO2022178975A1 (zh) 基于噪声场的图像降噪方法、装置、设备及存储介质
CN113362249B (zh) 文字图像合成方法、装置、计算机设备及存储介质
CN112801960B (zh) 图像处理方法及装置、存储介质、电子设备

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