CN113989245A - 多视角多尺度图像篡改检测方法 - Google Patents
多视角多尺度图像篡改检测方法 Download PDFInfo
- Publication number
- CN113989245A CN113989245A CN202111279666.1A CN202111279666A CN113989245A CN 113989245 A CN113989245 A CN 113989245A CN 202111279666 A CN202111279666 A CN 202111279666A CN 113989245 A CN113989245 A CN 113989245A
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- module
- features
- tampered
- 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.)
- Granted
Links
Images
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
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多视角多尺度图像篡改检测方法以解决现有图像篡改检测算法图片级误报多、泛化性差的问题。本发明所采用的技术方案是:获取待检测的RGB图像;将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图;所述多视角多尺度监督篡改图像检测模型,包括:边缘约束模块、噪声感应模块、深度注意力模块和双注意力模块。本发明适用于计算机视觉中的图像篡改检测领域。
Description
技术领域
本发明涉及一种多视角多尺度图像篡改检测方法。适用于计算机视觉中的图像篡改检测领域。
背景技术
目前,图像篡改检测的顶级算法往往因语义特征的干扰而导致泛化性差,并且对真实图片有很严重的误报,缺乏在真实图像篡改检测场景下的实用性。
图像篡改检测主要依靠识别篡改区域与非篡改区域间的非语义差异,如噪声差异、分辨率差异等。然而自然图像中的前景与背景之间也常存在类似明显的差异边界,如清晰的聚焦点与模糊的非聚焦点之间存在明显的景深差异。实验观察表明,现有的图片篡改检测模型在常在景深差异显著的图像中产生大量误报漏报。
图像篡改检测任务可分为图像级篡改检测和像素级篡改检测两个子任务。其中,图像级篡改检测任务以得到待检测图片是否经过篡改的二元预测为目标,属于图像级的分类任务;像素级篡改检测以被篡改图像的篡改区域定位为目标,常被归为图像分割任务。目前顶级的深度学习图像篡改检测方法多着眼于像素级图像篡改检测。在一般的图像分割模型基础上,现有方法主要引入了边缘监督信息]和噪声流特征以提取有利于本任务的语义无关特征。
在边缘监督信息的应用中,Salloum等人将浅层特征叠加在深层特征上进而生成篡改边缘预测图,从而利用了浅层特征具有的局部细节信息。Zhou等人同样采用边缘监督来提升模型的特征提取能力,他们将浅层特征与深层特征沿通道维连接来完成多级特征的结合。
在噪声流特征的应用中,Zhou等人通过SRM核提取图片的噪声信息,在Faster R-CNN的基础上引入了噪声流作为RGB流的补充,并通过双线性池化完成双流的后融合。Wu等人分别通过Bayar卷积核和SRM核提取噪声信息,并将其与RGB流特征沿通道维连接后输入后续特征提取器中。Li&Huang通过高通滤波器组提取图片噪声作为特征提取器输入,并提出了专门针对生成类篡改的篡改检测算法。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种多视角多尺度图像篡改检测方法,以解决现有图像篡改检测算法图片级误报多、泛化性差的问题。
本发明所采用的技术方案是:一种多视角多尺度图像篡改检测方法,其特征在于:
获取待检测的RGB图像;
将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图;
所述多视角多尺度监督篡改图像检测模型,包括:
边缘约束模块,用于根据RGB图像生成边缘预测图,及从RGB图像提取RGB流特征;
噪声感应模块,用于从RGB图像提取噪声特征并输出与RGB流特征同维度的噪声流特征;
深度注意力模块,用于从预先估计的深度图中提取不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到边缘约束模块中的RGB流特征图上;
双注意力模块,由通道注意力模块和空间注意力模块构成,用于在RGB流特征与噪声流特征沿通道维进行拼接后对特征选择和融合并生成像素级篡改区域预测图像。
所述边缘约束模块以RGB图像作为输入,经过四个ResNet50特征提取模块进行RGB特征提取,提取出RGB流特征;
每级ResNet50特征提取模块提取出的RGB特征输入Sobel层和边缘残差模块提取边缘特征,浅层的边缘特征叠加到下一层的边缘特征并经由另一个边缘残差模块后逐级向下叠加,生成边缘预测图。
所述噪声感应模块以RGB图为输入,经由Bayar卷积核提取噪声图后经过四个ResNet50特征提取模块进行噪声特征提取并输出与RGB流特征同维度的噪声流特征。
所述深度注意力模块以预先估计的深度图为输入,经过注意力层提取深度图中不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到所述边缘约束模块中第二个ResNet50特征提取模块提取的RGB流特征图上;
边缘约束模块中经过深度注意力模块作用的RGB流特征与原始RGB流特征叠加后输入后续特征提取模块。
关注篡改区域边界的RGB流特征与噪声流特征沿通道维进行拼接后经过由通道注意力模块和空间注意力模块构成的双注意力模块进行特征选择和融合并生成像素级篡改区域预测图像,像素级篡改区域预测图经过全局平均池化后得到图像级预测分数。
一种多视角多尺度图像篡改检测装置,其特征在于,包括:
图像获取模块,用于获取待检测的RGB图像;
模型检测模块,用于将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图;
所述多视角多尺度监督篡改图像检测模型,包括:
边缘约束模块,用于根据RGB图像生成边缘预测图,及从RGB图像提取RGB流特征;
噪声感应模块,用于从RGB图像提取噪声特征并输出与RGB流特征同维度的噪声流特征;
深度注意力模块,用于从预先估计的深度图中提取不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到边缘约束模块中的RGB流特征图上;
双注意力模块,由通道注意力模块和空间注意力模块构成,用于在RGB流特征与噪声流特征沿通道维进行拼接后对特征选择和融合并生成像素级篡改区域预测图像。
一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述的多视角多尺度图像篡改检测方法的步骤。
一种多视角多尺度图像篡改检测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述的多视角多尺度图像篡改检测方法的步骤。
本发明的有益效果是:现有图像篡改检测算法采用的边缘约束具有不能有效指导深层特征的学习的风险,本发明应用新的边缘约束模块,使得模型通过对篡改区域边缘的有效关注进一步提升篡改区域的定位能力。现有算法采用的多视角特征融合技术忽视了不同视角特征可能具有的特异性模态,或忽视了特征融合过程的灵活性,因此限制了多视角特征融合的潜力,本发明采用双注意力模块解决这一问题。现有深度学习算法多关注篡改图像上的分割问题而忽视现实场景下的真图误报问题,本发明提出了多尺度监督算法,克服了分割损失在真图场景难以应用的问题。现有算法未考虑景深信息对于图像篡改检测的作用,本发明利用景深信息进一步提高算法性能。
本发明通过由浅到深的特征逐层结合,在结合深层特征和包含细节局部特征的浅层信息的同时,保证边缘监督对于深层特征学习的有效指导;本发明利用深度注意力模块和噪声感应模块提取图片的深度估计图和高频噪声中异常特征,辅助定位篡改区域;本发明通过通道注意力模块和空间注意力模块对多视角特征进行有选择的特征筛选和融合;本发明通过由像素级分割损失,边缘分割损失和图像级分类损失构成的多尺度监督,在保证像素级分割性能的同时大大降低真图上的误报率。
附图说明
图1为实施例中多视角多尺度监督篡改图像检测模的结构框图。
图2为实施例中双注意力模块的结构框图。
图3为实施例与目前顶级方法对篡改图片和真实图片做篡改识别的实例展示。
具体实施方式
本实施例为一种多视角多尺度图像篡改检测方法,具体包括以下步骤:
S1、获取待检测的RGB图像;
S2、将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图。
如图1所示,本实施例中基于景深估计的多视角多尺度监督篡改图像检测模型,包括:边缘约束模块、噪声感应模块、深度注意力模块和双注意力模块。
本例中边缘约束模块以RGB图像作为输入,经过四个ResNet50特征提取模块进行RGB特征提取,提取出RGB流特征。每级特征提取模块提取出的RGB特征分别输入Sobel层和边缘残差模块ERB提取边缘特征,浅层的边缘特征叠加到下一级的边缘特征,并经由另一个边缘残差模块ERB再叠加到下一级的边缘特征,逐级向下叠加,最终在边缘信息监督下生成边缘预测图,该预测图用DICE Loss分割损失进行约束。
本实施例中噪声感应模块以RGB图为输入,经由Bayar卷积核提取噪声图后经过四个ResNet50特征提取模块进行噪声特征提取并输出与RGB流特征同维度的噪声流特征。
本例中深度注意力模块以开源方法(Z.Li,N.Snavely.MegaDepth:LearningSingle-View Depth Prediction from Internet Photos[J].IEEE,2018.)预先估计的深度图为输入,经过注意力层提取深度图中不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到边缘约束模块中第二个ResNet50特征提取模块提取的RGB流特征图上。
边缘约束模块中经过深度注意力作用的RGB流特征与原始RGB流特征叠加后输入后续特征提取模块。
本实施例中关注篡改区域边界的RGB流特征与噪声流特征沿通道维进行拼接后经过由通道注意力模块和空间注意力模块构成的双注意力模块(见图2)进行特征选择和融合并生成像素级篡改区域预测图像,该预测图用DICE分割损失进行约束;像素级预测图经过全局平均池化后得到图像级预测分数,该预测分数用BCE损失进行约束。最终边缘图预测损失、像素级分割损失和图像级分类损失用超参数权重计算加权和构成总的训练损失。
本实施例在未参与训练的公开的数据集上与顶级算法对比了图片级指标(AUC)和像素级指标(固定阈值0.5的F1),如下表所示:
表中n.a.即数据集不具备二分类条件,或相关方法未公开特定指标。本实施例在公开数据集上的固定阈值F1和图片级二分类AUC指标均超过或持平于现有方案。特别的,本实施例所得的像素级指标是在固定阈值的结果,且二分类结果均优于现有方法,体现其较强的实用性。
图3为本方法和目前顶级方法对篡改图片和真实图片做篡改识别的实例展示。本实施例不仅对篡改图片的篡改区域能做出更加精确的识别,而且对真实图片误报明显降低。
本实施例还提供一种多视角多尺度图像篡改检测装置,包括:图像获取模块和模型检测模块,其中图像获取模块用于获取待检测的RGB图像;模型检测模块用于将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图。
本实施例还提供一种存储介质,其上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本例中多视角多尺度图像篡改检测方法的步骤。
本实施例还提供一种多视角多尺度图像篡改检测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本例中多视角多尺度图像篡改检测方法的步骤。
Claims (8)
1.一种多视角多尺度图像篡改检测方法,其特征在于:
获取待检测的RGB图像;
将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图;
所述多视角多尺度监督篡改图像检测模型,包括:
边缘约束模块,用于根据RGB图像生成边缘预测图,及从RGB图像提取RGB流特征;
噪声感应模块,用于从RGB图像提取噪声特征并输出与RGB流特征同维度的噪声流特征;
深度注意力模块,用于从预先估计的深度图中提取不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到边缘约束模块中的RGB流特征图上;
双注意力模块,由通道注意力模块和空间注意力模块构成,用于在RGB流特征与噪声流特征沿通道维进行拼接后对特征选择和融合并生成像素级篡改区域预测图像。
2.根据权利要求1所述的多视角多尺度图像篡改检测方法,其特征在于:所述边缘约束模块以RGB图像作为输入,经过四个ResNet50特征提取模块进行RGB特征提取,提取出RGB流特征;
每级ResNet50特征提取模块提取出的RGB特征输入Sobel层和边缘残差模块提取边缘特征,浅层的边缘特征叠加到下一层的边缘特征并经由另一个边缘残差模块后逐级向下叠加,生成边缘预测图。
3.根据权利要求1所述的多视角多尺度图像篡改检测方法,其特征在于:所述噪声感应模块以RGB图为输入,经由Bayar卷积核提取噪声图后经过四个ResNet50特征提取模块进行噪声特征提取并输出与RGB流特征同维度的噪声流特征。
4.根据权利要求3所述的多视角多尺度图像篡改检测方法,其特征在于:所述深度注意力模块以预先估计的深度图为输入,经过注意力层提取深度图中不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到所述边缘约束模块中第二个ResNet50特征提取模块提取的RGB流特征图上;
边缘约束模块中经过深度注意力模块作用的RGB流特征与原始RGB流特征叠加后输入后续特征提取模块。
5.根据权利要求1所述的多视角多尺度图像篡改检测方法,其特征在于:关注篡改区域边界的RGB流特征与噪声流特征沿通道维进行拼接后经过由通道注意力模块和空间注意力模块构成的双注意力模块进行特征选择和融合并生成像素级篡改区域预测图像,像素级篡改区域预测图经过全局平均池化后得到图像级预测分数。
6.一种多视角多尺度图像篡改检测装置,其特征在于,包括:
图像获取模块,用于获取待检测的RGB图像;
模型检测模块,用于将RGB图像输入经训练的多视角多尺度监督篡改图像检测模型,模型给出篡改/真实的二分类预测结果和篡改区域的分割预测图;
所述多视角多尺度监督篡改图像检测模型,包括:
边缘约束模块,用于根据RGB图像生成边缘预测图,及从RGB图像提取RGB流特征;
噪声感应模块,用于从RGB图像提取噪声特征并输出与RGB流特征同维度的噪声流特征;
深度注意力模块,用于从预先估计的深度图中提取不连续区域特征,使用sigmoid函数约束到0-1并作为权重作用到边缘约束模块中的RGB流特征图上;
双注意力模块,由通道注意力模块和空间注意力模块构成,用于在RGB流特征与噪声流特征沿通道维进行拼接后对特征选择和融合并生成像素级篡改区域预测图像。
7.一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~5任意一项所述的多视角多尺度图像篡改检测方法的步骤。
8.一种多视角多尺度图像篡改检测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~5任意一项所述的多视角多尺度图像篡改检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279666.1A CN113989245B (zh) | 2021-10-28 | 2021-10-28 | 多视角多尺度图像篡改检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279666.1A CN113989245B (zh) | 2021-10-28 | 2021-10-28 | 多视角多尺度图像篡改检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989245A true CN113989245A (zh) | 2022-01-28 |
CN113989245B CN113989245B (zh) | 2023-01-24 |
Family
ID=79745107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111279666.1A Active CN113989245B (zh) | 2021-10-28 | 2021-10-28 | 多视角多尺度图像篡改检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989245B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935200A (zh) * | 2023-09-19 | 2023-10-24 | 南京信息工程大学 | 面向审计的图像篡改检测方法、系统、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140289323A1 (en) * | 2011-10-14 | 2014-09-25 | Cyber Ai Entertainment Inc. | Knowledge-information-processing server system having image recognition system |
CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
CN111080629A (zh) * | 2019-12-20 | 2020-04-28 | 河北工业大学 | 一种图像拼接篡改的检测方法 |
CN111311563A (zh) * | 2020-02-10 | 2020-06-19 | 北京工业大学 | 一种基于多域特征融合的图像篡改检测方法 |
CN111553916A (zh) * | 2020-05-09 | 2020-08-18 | 杭州中科睿鉴科技有限公司 | 基于多种特征和卷积神经网络的图像篡改区域检测方法 |
CN112365496A (zh) * | 2020-12-02 | 2021-02-12 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
CN112381775A (zh) * | 2020-11-06 | 2021-02-19 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
WO2021088300A1 (zh) * | 2019-11-09 | 2021-05-14 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
-
2021
- 2021-10-28 CN CN202111279666.1A patent/CN113989245B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140289323A1 (en) * | 2011-10-14 | 2014-09-25 | Cyber Ai Entertainment Inc. | Knowledge-information-processing server system having image recognition system |
CN110349136A (zh) * | 2019-06-28 | 2019-10-18 | 厦门大学 | 一种基于深度学习的篡改图像检测方法 |
WO2021088300A1 (zh) * | 2019-11-09 | 2021-05-14 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN111080629A (zh) * | 2019-12-20 | 2020-04-28 | 河北工业大学 | 一种图像拼接篡改的检测方法 |
CN111311563A (zh) * | 2020-02-10 | 2020-06-19 | 北京工业大学 | 一种基于多域特征融合的图像篡改检测方法 |
CN111553916A (zh) * | 2020-05-09 | 2020-08-18 | 杭州中科睿鉴科技有限公司 | 基于多种特征和卷积神经网络的图像篡改区域检测方法 |
CN112381775A (zh) * | 2020-11-06 | 2021-02-19 | 厦门市美亚柏科信息股份有限公司 | 一种图像篡改检测方法、终端设备及存储介质 |
CN112365496A (zh) * | 2020-12-02 | 2021-02-12 | 中北大学 | 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法 |
Non-Patent Citations (2)
Title |
---|
HAONAN SU等: "Multi-Spectral Fusion and Denoising of RGB and NIR Images Using Multi-Scale Wavelet Analysis", 《2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION(ICPR)》 * |
宣锦昭等: "一种改进的Mask R-CNN图像篡改检测模型", 《小型微型计算机系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935200A (zh) * | 2023-09-19 | 2023-10-24 | 南京信息工程大学 | 面向审计的图像篡改检测方法、系统、设备及存储介质 |
CN116935200B (zh) * | 2023-09-19 | 2023-12-19 | 南京信息工程大学 | 面向审计的图像篡改检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113989245B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
JP6439820B2 (ja) | 対象識別方法、対象識別装置、及び分類器訓練方法 | |
Desingh et al. | Depth really Matters: Improving Visual Salient Region Detection with Depth. | |
CN105989367B (zh) | 目标获取方法及设备 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN111667400B (zh) | 一种基于无监督学习的人脸轮廓特征风格化生成方法 | |
CN102084397B (zh) | 图像处理设备、方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN107240084A (zh) | 一种单幅图像去雨方法及装置 | |
CN102547079B (zh) | 夜景光源检测设备及夜景光源检测方法 | |
Kuo et al. | Depth estimation from a monocular view of the outdoors | |
CN113989245B (zh) | 多视角多尺度图像篡改检测方法 | |
CN115527276A (zh) | 基于面部光流场与纹理特性融合的深伪视频检测方法 | |
CN101853500A (zh) | 一种彩色多聚焦图像融合方法 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Hafiz et al. | Foreground segmentation-based human detection with shadow removal | |
CN112907138B (zh) | 一种从局部到整体感知的电网场景预警分类方法及系统 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
CN116777806A (zh) | 一种基于脑视觉原理的水下图像增强方法、系统及终端 | |
JP6831396B2 (ja) | 映像監視装置 | |
CN108364256A (zh) | 一种基于四元数小波变换的图像拼接检测方法 | |
Callier et al. | Automatic road area extraction from printed maps based on linear feature detection | |
Wang et al. | An Architecture for the detection of GAN-generated Flood Images with Localization Capabilities | |
CN114519694A (zh) | 基于深度学习的七段数码管液晶显示屏识别方法及系统 | |
Long et al. | SASiamNet: Self-adaptive Siamese Network for change detection of remote sensing image |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Cao Juan Inventor after: Dong Chengbo Inventor after: Chen Xinru Inventor after: Xie Tian Inventor before: Cao Juan Inventor before: Li Xirong Inventor before: Dong Chengbo Inventor before: Chen Xinru Inventor before: Xie Tian |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |