CN113627475A - 一种对样本进行不确定性估计的方法及装置 - Google Patents
一种对样本进行不确定性估计的方法及装置 Download PDFInfo
- Publication number
- CN113627475A CN113627475A CN202110768690.5A CN202110768690A CN113627475A CN 113627475 A CN113627475 A CN 113627475A CN 202110768690 A CN202110768690 A CN 202110768690A CN 113627475 A CN113627475 A CN 113627475A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- random
- disturbance
- test
- 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 21
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000012360 testing method Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000000126 substance Substances 0.000 claims description 6
- 230000003094 perturbing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种对样本进行不确定性估计的方法及装置，该方法包括：在神经网络的特征提取器的网络结构中加入至少一个随机结构；对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；使用所述复合训练样本集对所述神经网络的特征提取器进行训练得到训练后的特征提取器；使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。本发明中，增加了随机结构，且本发明中，对训练样本进行随机扰动后生成一些噪音样本，一起用于提取器的训练，使得训练后的提取器分辨能力更高，然后使用该特征提取器提取测试样本的特征后进行不确定性评估，进而提高神经网络的识别性能。
Description
技术领域
本发明涉及机器学习技术领域，具体涉及一种对样本进行不确定性估计的方法及装置。
背景技术
现有技术中，在训练机器学习模型时，比如深度神经网络模型时，样本尤其重要，现有技术中，判断两个样本的相似程度，一般采取使用特征提取器从样本中提取特征，然后使用某种度量指标衡量所提取的两个特征的相似程度，得到相似度分数，根据这个相似度分数来判断两个样本是否属于同一类。然而这个相似度分数并不总是有效，当某个样本质量较差，或者与特征提取器预设的输入空间不符时，这个相似分数的可信度就很低。
因此，在机器训练时，如何评价选择的训练样本或者测试样本是否符合要求是当前机器学习面临的一个困难，或者，如何评价两个样本之间相似分数的可信度是摆在工程技术人员的一个难题。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
一种对样本进行不确定性估计的方法，该方法包括：
样本扰动步骤，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；
训练步骤，使用所述复合训练样本集对神经网络的特征提取器进行训练得到训练后的特征提取器；
不确定性估计步骤，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。
更进一步地，所述训练样本是图像训练样本，所述测试样本是图像测试样本。
更进一步地，所述方法还包括：加入步骤，在神经网络的特征提取器的网络结构中加入至少一个随机结构；所述随机结构是dropout结构；其中，所述加入步骤在样本扰动步骤之前执行。更进一步地，对所述训练样本进行随机扰动是指对图像进行随机翻转、随机旋转、随机缩放、随机亮度、随机对比度、随机色度或随机噪声操作。
更进一步地，所述不确定性估计步骤的操作为：
对所述测试样本进行随机扰动得到测试扰动样本，使用训练后的特征提取器对测试扰动样本分别进行特征提取，得到测试扰动样本的特征序列A1、A2……An，计算所述测试样本的不确定性估计分数S，
其中,
n为大于1的整数，sim(Ai,Aj)表示特征Ai与Aj之间的相似度，i不等于j。
本发明还提出了一种对样本进行不确定性估计的装置，该装置包括：
加入单元，在神经网络的特征提取器的网络结构中加入至少一个随机结构；
样本扰动单元，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；
训练单元，使用所述复合训练样本集对所述神经网络的特征提取器进行训练得到训练后的特征提取器；
不确定性估计单元，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。
更进一步地，所述训练样本是图像训练样本，所述测试样本是图像测试样本。
更进一步地，所述随机结构是dropout结构。
更进一步地，对所述训练样本进行随机扰动是指对图像进行随机翻转、随机旋转、随机缩放、随机亮度、随机对比度、随机色度或随机噪声操作。
更进一步地，所述不确定性估计单元执行的操作为：
对所述测试样本进行随机扰动得到测试扰动样本，使用训练后的特征提取器对测试扰动样本分别进行特征提取，得到测试扰动样本的特征序列A1、A2……An，计算所述测试样本的不确定性估计分数S，
其中,
n为大于1的整数，sim(Ai,Aj)表示特征Ai与Aj之间的相似度，i不等于j。
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于：本发明的一种对样本进行不确定性估计的方法及装置，该方法包括：加入步骤，在神经网络的特征提取器的网络结构中加入至少一个随机结构；样本扰动步骤，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；训练步骤，使用所述复合训练样本集对所述神经网络的特征提取器进行训练得到训练后的特征提取器；不确定性估计步骤，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。本发明中，为了提高提取器的对样本适应性，以解决提取器过拟合的问题，在训练时，增加了随机结构，且本发明中，对训练样本进行随机扰动后生成一些噪音样本，一起用于提取器的训练，使得训练后的提取器分辨能力更高，可以识别近似的样本，即采用这种方式训练的特征提取器具有很高的鲁棒性，然后使用该特征提取器提取测试样本的特征后进行不确定性评估，以评估样本的质量，进而提高神经网络的识别性能，本发明中，采用上述具体的不确定性估计分数计算公式计算测试样本与其扰动后的不确定性估计分数，用于评估该样本的抗噪声能力，从而确保该样本是否适合训练神经网络，即可以设定一个阈值，超过该阈值的测试样本，是符合要求的样本，从而保证训练后神经网络的鲁棒性，上述不确定性估计分数还可以用于评估两个样本之间相似分数的可信度，即该分数越高，两个样本之间的相似分数的可信度越高。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种对样本进行不确定性估计的方法的流程图。
图2是根据本发明的实施例的一种对样本进行不确定性估计的装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种对样本进行不确定性估计的方法，该方法包括：
加入步骤S101，在神经网络的特征提取器的网络结构中加入至少一个随机结构；本发明中，神经网络可以是卷积神经网络、深度卷积神经网络、对抗神经网络等等，其中的特征提取器用于提取样本或检测对象的特征，该特征可以是多维向量。
样本扰动步骤S102，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；即本发明中，对训练样本进行随机扰动后生成一些噪音样本，一起用于提取器的训练。
训练步骤S103，使用所述复合训练样本集对所述神经网络的特征提取器进行训练得到训练后的特征提取器。
不确定性估计步骤S104，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。
本发明中，为了提高提取器的对样本适应性，以解决提取器过拟合的问题，在训练时，增加了随机结构，且本发明中，对训练样本进行随机扰动后生成一些噪音样本，一起用于提取器的训练，使得训练后的提取器分辨能力更高，可以识别近似的样本，即采用这种方式训练的特征提取器具有很高的鲁棒性，然后使用该特征提取器提取测试样本的特征后进行不确定性评估，以评估样本的质量，进而提高神经网络的识别性能，这是本发明的重要发明点之一。
在一个实施例中，加入步骤和样本扰动步骤可以选择其一，或者都使用，二者都使用时，先后顺序可以改变，二者都使用时，评估效果更为可靠，这是本发明的重要发明点之另一。
在一个实施例中，本发明的神经网络用于人脸图像识别，因此，所述训练样本是图像训练样本，所述测试样本是图像测试样本，当然本发明的神经网络也可以适用于语音识别、文字识别、自动驾驶中的场景识别等等领域。
在一个实施例中，所述随机结构是dropout结构，在人脸图像识别中，对所述训练样本进行随机扰动是指对图像进行随机翻转、随机旋转、随机缩放、随机亮度、随机对比度、随机色度或随机噪声操作。
在一个实施例中，所述不确定性估计步骤S104的操作为：
对所述测试样本进行随机扰动得到测试扰动样本，使用训练后的特征提取器对测试扰动样本分别进行特征提取，得到测试扰动样本的特征序列A1、A2……An，计算所述测试样本的不确定性估计分数S，
其中,
n为大于1的整数，sim(Ai,Aj)表示特征Ai与Aj之间的相似度，i不等于j。
本发明中，采用上述具体的不确定性估计分数计算公式计算测试样本与其扰动后的不确定性估计分数，用于评估该样本的抗噪声能力，从而确保该样本是否适合训练神经网络，即可以设定一个阈值，超过该阈值的测试样本，是符合要求的样本，从而保证训练后神经网络的鲁棒性，上述不确定性估计分数还可以用于评估两个样本之间相似分数的可信度，即该分数越高，两个样本之间的相似分数的可信度越高，这是本发明的重要发明点之另一。
本发明的方法可用于人脸识别中，在人脸特征提取网络(即神经网络的特征提取器)中应用不确定性估计，在得到人脸特征向量的同时得到此向量的不确定性估计分数。以本发明中实现为例，此分数越低说明此向量不确定性越高。于是在人脸比对中(也就是计算两个人脸特征向量的相似度)，可以根据两个人脸向量的不确定性估计分数，对相似度分数进行增减，一般原则是两个不确定性估计分数越高就越倾向增加相似度，越低就越倾向减低相似度，经过确定性估计分数处理的相似度，和真实情况更加相符，且在各测试集上的准确率更高，提高了人脸识别的准确率，当然本发明也可以用于行人跟踪、车辆识别等等。
图2示出了本发明的一种对样本进行不确定性估计的装置，该装置包括：
加入单元201，在神经网络的特征提取器的网络结构中加入至少一个随机结构；本发明中，神经网络可以是卷积神经网络、深度卷积神经网络、对抗神经网络等等，其中的特征提取器用于提取样本或检测对象的特征，该特征可以是多维向量。
样本扰动单元202，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；即本发明中，对训练样本进行随机扰动后生成一些噪音样本，一起用于提取器的训练。
训练单元203，使用所述复合训练样本集对所述神经网络的特征提取器进行训练得到训练后的特征提取器。
不确定性估计单元204，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。
本发明中，为了提高提取器的对样本适应性，以解决提取器过拟合的问题，在训练时，增加了随机结构，且本发明中，对训练样本进行随机扰动后生成一些噪音样本，一起用于提取器的训练，使得训练后的提取器分辨能力更高，可以识别近似的样本，即采用这种方式训练的特征提取器具有很高的鲁棒性，然后使用该特征提取器提取测试样本的特征后进行不确定性评估，以评估样本的质量，进而提高神经网络的识别性能，这是本发明的重要发明点之一。
在一个实施例中，加入单元和样本扰动单元的操作可以选择其一，或者都使用，二者都使用时，先后顺序可以改变，二者都使用时，评估效果更为可靠，这是本发明的重要发明点之另一。
在一个实施例中，本发明的神经网络用于人脸图像识别，因此，所述训练样本是图像训练样本，所述测试样本是图像测试样本，当然本发明的神经网络也可以适用于语音识别、文字识别、自动驾驶中的场景识别等等领域。
在一个实施例中，所述随机结构是dropout结构，在人脸图像识别中，对所述训练样本进行随机扰动是指对图像进行随机翻转、随机旋转、随机缩放、随机亮度、随机对比度、随机色度或随机噪声操作。
在一个实施例中，所述不确定性估计单元201执行的操作为：
对所述测试样本进行随机扰动得到测试扰动样本，使用训练后的特征提取器对测试扰动样本分别进行特征提取，得到测试扰动样本的特征序列A1、A2……An，计算所述测试样本的不确定性估计分数S，
其中,
n为大于1的整数，sim(Ai,Aj)表示特征Ai与Aj之间的相似度，i不等于j。
本发明中，采用上述具体的不确定性估计分数计算公式计算测试样本与其扰动后的不确定性估计分数，用于评估该样本的抗噪声能力，从而确保该样本是否适合训练神经网络，即可以设定一个阈值，超过该阈值的测试样本，是符合要求的样本，从而保证训练后神经网络的鲁棒性，上述不确定性估计分数还可以用于评估两个样本之间相似分数的可信度，即该分数越高，两个样本之间的相似分数的可信度越高，这是本发明的重要发明点之另一。
本发明的装置可用于人脸识别中，在人脸特征提取网络(即神经网络的特征提取器)中应用不确定性估计，在得到人脸特征向量的同时得到此向量的不确定性估计分数。以本发明中实现为例，此分数越低说明此向量不确定性越高。于是在人脸比对中(也就是计算两个人脸特征向量的相似度)，可以根据两个人脸向量的不确定性估计分数，对相似度分数进行增减，一般原则是两个不确定性估计分数越高就越倾向增加相似度，越低就越倾向减低相似度，经过确定性估计分数处理的相似度，和真实情况更加相符，且在各测试集上的准确率更高，提高了人脸识别的准确率，当然本发明也可以用于行人跟踪、车辆识别等等。
本发明的为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种对样本进行不确定性估计的方法，其特征在于，该方法包括：
样本扰动步骤，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；
训练步骤，使用所述复合训练样本集对神经网络的特征提取器进行训练得到训练后的特征提取器；
不确定性估计步骤，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。
2.根据权利要求1所述的方法，其特征在于，所述训练样本是图像训练样本，所述测试样本是图像测试样本。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：加入步骤，在神经网络的特征提取器的网络结构中加入至少一个随机结构；所述随机结构是dropout结构；其中，所述加入步骤在样本扰动步骤之前执行。
4.根据权利要求3所述的方法，其特征在于，对所述训练样本进行随机扰动是指对图像进行随机翻转、随机旋转、随机缩放、随机亮度、随机对比度、随机色度或随机噪声操作。
5.根据权利要求4所述的方法，其特征在于，所述不确定性估计步骤的操作为：对所述测试样本进行随机扰动得到测试扰动样本，使用训练后的特征提取器对测试扰动样本分别进行特征提取，得到测试扰动样本的特征序列A1、A2……An，计算所述测试样本的不确定性估计分数S，
其中,
n为大于1的整数，sim(Ai,Aj)表示特征Ai与Aj之间的相似度，i不等于j。
6.一种对样本进行不确定性估计的装置，其特征在于，该装置包括：
样本扰动单元，对训练集中的至少一个训练样本进行随机扰动得到训练扰动样本，将所述训练扰动样本添加到所述训练集中得到复合训练样本集；
训练单元，使用所述复合训练样本集对神经网络的特征提取器进行训练得到训练后的特征提取器；
不确定性估计单元，使用训练后的特征提取器对测试样本进行特征提取后进行不确定性估计。
7.根据权利要求6所述的装置，其特征在于，所述训练样本是图像训练样本，所述测试样本是图像测试样本。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：加入单元，在神经网络的特征提取器的网络结构中加入至少一个随机结构；所述随机结构是dropout结构；其中，所述加入单元的操作在样本扰动单元的操作之前执行，所述随机结构是dropout结构。
9.根据权利要求8所述的装置，其特征在于，对所述训练样本进行随机扰动是指对图像进行随机翻转、随机旋转、随机缩放、随机亮度、随机对比度、随机色度或随机噪声操作。
10.根据权利要求9所述的装置，其特征在于，所述不确定性估计单元执行的操作为：
对所述测试样本进行随机扰动得到测试扰动样本，使用训练后的特征提取器对测试扰动样本分别进行特征提取，得到测试扰动样本的特征序列A1、A2……An，计算所述测试样本的不确定性估计分数S，
其中,
n为大于1的整数，sim(Ai,Aj)表示特征Ai与Aj之间的相似度，i不等于j。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110768690.5A CN113627475A (zh) | 2021-07-07 | 2021-07-07 | 一种对样本进行不确定性估计的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110768690.5A CN113627475A (zh) | 2021-07-07 | 2021-07-07 | 一种对样本进行不确定性估计的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113627475A true CN113627475A (zh) | 2021-11-09 |
Family
ID=78379261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110768690.5A Pending CN113627475A (zh) | 2021-07-07 | 2021-07-07 | 一种对样本进行不确定性估计的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627475A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170061246A1 (en) * | 2015-09-02 | 2017-03-02 | Fujitsu Limited | Training method and apparatus for neutral network for image recognition |
| US20200050842A1 (en) * | 2019-07-23 | 2020-02-13 | Lg Electronics Inc. | Artificial intelligence apparatus for recognizing user from image data and method for the same |
| WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
| CN112101294A (zh) * | 2020-09-29 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 针对图像识别模型的增强训练方法及装置 |
| CN112215227A (zh) * | 2020-12-09 | 2021-01-12 | 鹏城实验室 | 图像目标检测模型攻击方法、装置、终端设备及存储介质 |
| CN113076980A (zh) * | 2021-03-24 | 2021-07-06 | 中山大学 | 一种基于注意力增强以及输入扰动的分布外图像检测方法 |
-
2021
- 2021-07-07 CN CN202110768690.5A patent/CN113627475A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170061246A1 (en) * | 2015-09-02 | 2017-03-02 | Fujitsu Limited | Training method and apparatus for neutral network for image recognition |
| WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
| US20200050842A1 (en) * | 2019-07-23 | 2020-02-13 | Lg Electronics Inc. | Artificial intelligence apparatus for recognizing user from image data and method for the same |
| CN112101294A (zh) * | 2020-09-29 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 针对图像识别模型的增强训练方法及装置 |
| CN112215227A (zh) * | 2020-12-09 | 2021-01-12 | 鹏城实验室 | 图像目标检测模型攻击方法、装置、终端设备及存储介质 |
| CN113076980A (zh) * | 2021-03-24 | 2021-07-06 | 中山大学 | 一种基于注意力增强以及输入扰动的分布外图像检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈耀丹;王连明;: "基于卷积神经网络的人脸识别方法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20090274364A1 (en) | Apparatus and methods for detecting adult videos | |
| CN111611873A (zh) | 人脸替换检测方法及装置、电子设备、计算机存储介质 | |
| KR102284096B1 (ko) | 중요도 맵을 이용한 지능형 주관적 화질 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| CN108874889B (zh) | 基于目标体图像的目标体检索方法、系统及装置 | |
| CN111582150A (zh) | 一种人脸质量评估的方法、装置和计算机存储介质 | |
| CN109389098B (zh) | 一种基于唇语识别的验证方法以及系统 | |
| Gu et al. | Structural similarity weighting for image quality assessment | |
| CN109635625B (zh) | 智能身份核验方法、设备、存储介质及装置 | |
| CN111814846B (zh) | 属性识别模型的训练方法、识别方法及相关设备 | |
| CN111539456B (zh) | 一种目标识别方法及设备 | |
| CN115588030A (zh) | 基于孪生网络的视觉目标跟踪方法及设备 | |
| CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
| CN114359601A (zh) | 目标相似度计算方法、装置、电子设备及计算机存储介质 | |
| CN111803956B (zh) | 游戏外挂行为的确定方法、装置、电子设备及存储介质 | |
| US20170286775A1 (en) | Method and device for detecting violent contents in a video , and storage medium | |
| CN113627475A (zh) | 一种对样本进行不确定性估计的方法及装置 | |
| CN110874547B (zh) | 从视频中识别对象的方法和设备 | |
| CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
| CN115718830A (zh) | 训练信息抽取模型的方法、信息抽取方法及对应装置 | |
| CN115019152A (zh) | 一种图像拍摄完整度判定方法及装置 | |
| CN111209567B (zh) | 提高检测模型鲁棒性的可知性判断方法及装置 | |
| KR101003504B1 (ko) | 유해 멀티미디어 판별시스템 및 그 판별방법 | |
| CN114821691A (zh) | 人脸活体检测网络的训练方法及装置 | |
| WO2020113563A1 (zh) | 人脸图像质量评估方法、装置、设备及存储介质 | |
| CN109447954B (zh) | 一种基于核密度估计的伪装效果评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211109 |