CN114881864B - 印章修复网络模型的训练方法及装置 - Google Patents
印章修复网络模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114881864B CN114881864B CN202111189365.XA CN202111189365A CN114881864B CN 114881864 B CN114881864 B CN 114881864B CN 202111189365 A CN202111189365 A CN 202111189365A CN 114881864 B CN114881864 B CN 114881864B
- Authority
- CN
- China
- Prior art keywords
- seal
- loss value
- generator
- stamp
- original
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 title claims abstract description 51
- 230000008439 repair process Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000001373 regressive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种印章修复网络模型的训练方法及装置。上述印章修复网络模型的训练方法包括:根据生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定生成器对应的第一目标损失值;使用第一目标损失值,更新生成器对应的第一网络参数;根据判别器对应的分类结果,确定判别器对应的第二目标损失值;使用第二目标损失值,更新判别器对应的第二网络参数。本发明实施例中,根据第一边缘区域印章和第二边缘区域印章确定第一目标损失值,并根据第一目标损失值更新生成器对应的第一网络参数,这样,生成器生成的修复印章的各字符的边界明确,修复印章中的字符可以清楚的显示,以此提高修复效果。
Description
技术领域
本发明涉及印章处理技术领域,特别是涉及一种印章修复网络模型的训练方法及装置。
背景技术
在印章处理技术领域,通常对于印章的修复方式为,先对印章进行二值化处理,去除印章中的背景噪声;再消除印章中的模糊部分,得到修复后的印章。
然而,使用上述方式对印章进行修复时,容易造成修复后的印章中的各字符之间的边界不够清晰,字符显示不清楚。这样,导致修复效果不佳。
发明内容
本发明实施例的目的在于提供一种印章修复网络模型的训练方法装置,解决对印章进行修复后的效果不佳的技术问题。
第一方面,本发明实施例提供了一种印章修复网络模型的训练方法,所述印章修复网络模型包括生成器和判别器,所述方法包括:
根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值;所述第一边缘区域印章与所述修复印章相关联,所述第二边缘区域印章与所述原始印章相关联;
使用所述第一目标损失值,更新所述生成器对应的第一网络参数;
根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值;
使用所述第二目标损失值,更新所述判别器对应的第二网络参数。
可选地,所述根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值包括:
使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失值;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
可选地,所述根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值之前,所述方法包括:
分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
可选地,所述分类结果包括原始印章分类错误和/或所述修复印章分类错误,所述根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值包括:
根据所述原始印章分类错误和/或所述修复印章分类错误,确定所述第二目标损失值。
可选地,所述方法还包括:
根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
输出所述训练后的印章修复网络模型中的生成器。
可选地,在所述输出所述训练后的印章修复网络模型中的生成器之前,所述方法还包括:
对所述训练后的印章修复网络模型进行评估,得到评估结果;
若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
可选地,所述预设条件包括以下任意一项:
所述修复印章与所述原始印章之间的均方误差小于或等于第一预设阈值;
在所述修复印章与所述原始印章之间的结构相似度大于或等于第二预设阈值;
在所述修复印章与所述原始印章之间的峰值信噪比大于或等于第三预设阈值。
可选地,所述噪声印章为对所述原始印章进行加噪处理后得到。
第二方面,本发明实施例提供了一种印章修复网络模型的训练装置,所述印章修复网络模型包括生成器和判别器,所述装置包括:
第一确定模块,用于根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值;所述第一边缘区域印章与所述修复印章相关联,所述第二边缘区域印章与所述原始印章相关联;
第一更新模块,用于使用所述第一目标损失值,更新所述生成器对应的第一网络参数;
第二确定模块,用于根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值;
第二更新模块,用于使用所述第二目标损失值,更新所述判别器对应的第二网络参数。
可选地,所述第一确定模块,具体用于:
使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
可选地,所述装置还包括:
第一处理模块,用于分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
第二处理模块,用于分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
可选地,所述第二确定模块,具体用于:
根据原始印章分类错误和/或修复印章分类错误,确定所述第二目标损失值。
可选地,所述装置还包括:
第一训练模块,用于根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
第一输出模块,用于输出所述训练后的印章修复网络模型中的生成器。
可选地,所述装置还包括:
评估模块,用于对所述训练后的印章修复网络模型进行评估,得到评估结果;
第二输出模块,用于若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
第二训练模块,用于若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
可选地,所述预设条件包括以下任意一项:
所述修复印章与所述原始印章之间的均方误差小于或等于第一预设阈值;
在所述修复印章与所述原始印章之间的结构相似度大于或等于第二预设阈值;
在所述修复印章与所述原始印章之间的峰值信噪比大于或等于第三预设阈值。
可选地,所述噪声印章为对所述原始印章进行加噪处理后得到。
第三方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中,存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现如上第一方面所述的印章修复网络模型的训练方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上第一方面所述的印章修复网络模型的训练方法。
本发明实施例中,根据生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定生成器对应的第一目标损失值;使用第一目标损失值,更新生成器对应的第一网络参数;根据判别器对应的分类结果,确定判别器对应的第二目标损失值;使用第二目标损失值,更新判别器对应的第二网络参数。本发明实施例中,在印章修复网络模型的训练过程中,根据第一边缘区域印章和第二边缘区域印章确定第一目标损失值,并根据第一目标损失值更新生成器对应的第一网络参数,可以提高印章修复网络模型对印章边缘识别准确性,从而使得印章修复网络模型中的生成器对于印章的字符边缘的修复也更准确。这样,生成器生成的修复印章的各字符的边界明确,修复印章中的字符可以清楚的显示,以此提高修复效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例中生成器的结构示意图;
图2为本发明实施例中的原始印章的示意图;
图3为本发明实施例中的噪声印章的示意图;
图4为本发明实施例中印章修复网络模型的训练方法的流程示意图;
图5为本发明实施例中的第二印章的示意图;
图6为本发明实施例中第二边缘区域印章的示意图;
图7为本发明实施例中印章修复的应用场景示意图;
图8为本发明实施例中一种印章修复网络模型的训练装置的结构示意图;
图9为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
为便于理解,在详细阐述本发明方案前,先对本申请实施例涉及的一些内容进行说明:
本申请实施例中的印章修复网络模型可以是生成对抗模型(生成对抗网络模型又称为GAN模型)。其中,生成对抗网络模型包括两套独立的网络模型,两者之间作为互相对抗的目标。第一套网络模型是生成器,生成器的输入是噪声印章,生成器以原始印章为标签,对噪声印章进行修复,输出修复印章。第二套网络模型是判别器,判别器用于分辨输入数据是真实数据还是虚假数据,判别器的输入为修复印章和原始印章,以是否经过生成器修复为标签,输出是分类结果。该分类结果包括两部分,一部分是对修复印章的分类结果,即判断修复印章是否经过生成器修复;另一部分是对原始印章的分类结果,即判断原始印章是否经过生成器修复。
为便于理解,请参阅图1,图1为本发明实施例中提供的一种生成器的结构示意图。如图1所示,生成器包括编码器和解码器两个部分。其中,编码器包括5个卷积单元,每个卷积单元包括多个卷积层,每个卷积单元后接入一个最大池化层;解码器包括5个反卷积层;在编码器和解码器之间设置2个卷积单元;在解码器之后接入1个卷积层。
本发明实施例中提供的一种判别器,该判别器可以包括10个卷积层,进一步的,请参阅表一。
表一:
层数 | 类型 | 参数 | 核尺寸 | 步长 |
1 | 卷积层 | 32x3x7x7 | 7x7 | 2 |
2 | 卷积层 | 64x32x3x3 | 3x3 | 2 |
3 | 卷积层 | 64x64x3x3 | 3x3 | 1 |
4 | 卷积层 | 128x64x3x3 | 3x3 | 2 |
5 | 卷积层 | 128x128x3x3 | 3x3 | 1 |
6 | 卷积层 | 256x128x3x3 | 3x3 | 2 |
7 | 卷积层 | 256x256x3x3 | 3x3 | 1 |
8 | 卷积层 | 512x256x3x3 | 3x3 | 2 |
9 | 卷积层 | 512x512x3x3 | 3x3 | 1 |
10 | 卷积层 | 512x512x3x3 | 3x3 | 1 |
11 | 平均池化层 | 1 | ||
12 | 全连接层 | 1x512 |
如表一所示,判别器包括10个卷积层、1个平均池化层和1个全连接层。应理解,该判别器还包括1个sigmoid函数,上述参数表征各网络层的大小,上述核尺寸表示各网络层的卷积核大小,上述步长表示各网络层的步长。
上述原始印章和噪声印章可以理解为印章修复网络模型的训练数据样本,其中,上述原始印章可以是无背景噪声的印章,为便于理解,请参阅图2,图2为本发明实施例中的原始印章的示意图。上述噪声印章可以是添加了背景噪声的印章。为便于理解,请参阅图3,图3为本发明实施例中的噪声印章的示意图。应理解,上述噪声印章和原始印章均为印章图像。
下面结合上述的一些介绍说明,具体阐述本发明方案的实现。
请参阅图4,图4为本发明实施例中印章修复网络模型的训练方法的流程示意图。本发明实施例提供的印章修复网络模型包括生成器和判别器,所述方法包括:
S101,根据生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定生成器对应的第一目标损失值。
上述第一边缘区域印章与修复印章相关联,具体的,第一边缘区域印章为对修复印章进行边缘提取后的印章图像;上述第二边缘区域印章与原始印章相关联,具体的,第二边缘区域印章为对原始印章进行边缘提取后的印章图像。
其中,上述修复印章为生成器基于原始印章对噪声印章修复生成的印章图像。
S102,使用所述第一目标损失值,更新所述生成器对应的第一网络参数。
本步骤中,使用第一目标损失值,对生成器中的每个卷积层进行反向传播,调整第一网络参数,提高生成器对于印章的字符边缘的修复效果。具体而言,将第一目标损失值反向传递给生成器中的卷积层,根据预设的激活函数、预设的学习率和第一目标损失,调整生成器对应的第一网络参数,上述第一网络参数包括但不限于权重参数。
S103,根据判别器对应的分类结果,确定所述判别器对应的第二目标损失值。
上述分类结果由判别器基于原始印章和修复印章生成,如上所述,分类结果包括两部分,一部分是对修复印章的分类结果;另一部分是对原始印章的分类结果。本步骤中,依据分类结果计算判别器对应的第二目标损失。
S104,使用所述第二目标损失值,更新所述判别器对应的第二网络参数。
本步骤中,在得到第二目标损失值后,对判别器进行反向传播,调整判别器对应的第二网络参数。具体而言,将第二目标损失值反向传递给判别器中的卷积层,调整判别器对应的第二网络参数。
本发明实施例中,根据修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定生成器对应的第一目标损失值;使用第一目标损失值,更新生成器对应的第一网络参数;根据判别器对应的分类结果,确定判别器对应的第二目标损失值;使用第二目标损失值,更新判别器对应的第二网络参数。本发明实施例中,在印章修复网络模型的训练过程中,根据第一边缘区域印章和第二边缘区域印章确定第一目标损失值,并根据第一目标损失值更新生成器对应的第一网络参数,可以提高印章修复网络模型对印章边缘识别准确性,从而使得印章修复网络模型中的生成器对于印章的字符边缘的修复也更准确。这样,生成器生成的修复印章的各字符的边界明确,修复印章中的字符可以清楚的显示,以此提高修复效果。
可选地,所述根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值包括:
使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失值;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
为便于理解,可以通过下述公式计算得到第一目标损失值:
LG=Lpercep+Ln+Ledge
其中,LG为第一目标损失值,Lpercep为第一损失值,Ln为第二损失值,Ledge为第三损失值。
本实施例中,可以将修复印章和原始印章作为感知损失函数的输入,感知损失函数将原始印章卷积得到的特征信息与修复印章卷积得到的特征信息进行比较,得到第一损失值。其中,第一损失值表征修复印章与原始印章之间的感知损失。本发明中,感知损失函数的计算方法可以为MSE损失、L1损失等。
本实施例中,可以将修复印章和原始印章作为回归类损失函数的输入,其中,回归类损失可以是L1损失函数、L2损失函数或smooth损失函数。本发明优选的是,采用采用L1损失函数计算修复印章和原始印章的绝对差值的总和,得到第二损失值。
本实施例中,可以将第一边缘区域印章和第二边缘区域印章作为回归类损失函数的输入,其中,回归类损失可以是L1损失函数、L2损失函数或smooth损失函数。本发明优选的是,采用L1损失函数计算第一边缘区域印章和第二边缘区域印章的绝对差值的总和,得到第三损失值。其中,第一边缘区域印章为修复印章对应的边缘区域印章,第二边缘区域印章为原始印章对应的边缘区域印章。具体如何确定第一边缘区域印章和第二边缘区域印章的技术方案,请参阅后续实施例。
进一步的,在得到第一损失值、第二损失值和第三损失值后,将第一损失值、第二损失值和第三损失值的和值,确定为第一目标损失值。
本实施例中,在第一目标损失值中引入了与印章的边缘区域相关的第三损失值,在使用第一目标损失值调整第一网络参数后,可以增强生成器的边缘修复能力,以此提高生成器对于印章的字符边缘的修复效果。
以下,具体阐述如何确定第一边缘区域印章和第二边缘区域印章:
可选地,所述根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值之前,所述方法包括:
分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
本实施例中,对修复印章进行二值化处理,得到第一印章。其中,上述二值化处理是指按照印章上每个像素点对应的像素值,将印章上的像素点的灰度值设置为0或1,也就是将整个印章呈现出明显的黑白效果的过程。可选的,可以将像素值大于像素阈值的像素点的灰度值设置为0,将像素值小于或等于像素阈值的像素点的灰度值设置为1,其中,上述像素阈值可以是预先设定的,也可以是在二值化的过程中,根据每个像素点对应的像素值,自适应得到的。
对原始印章进行二值化处理,得到第二印章。为便于理解,请参阅图5,图5为本发明实施例中的第二印章的示意图。
本实施例中,在得到第一印章和第二印章后,对第一印章使用边缘提取算法,得到第一边缘区域印章;对第二印章使用边缘提取算法,得到第二边缘区域印章。为便于理解,请参阅图6,图6为本发明实施例中第二边缘区域印章的示意图。
应理解,可以使用一阶算子得到第一印章对应的第一边缘区域印章和第二印章对应的第二边缘区域印章,例如,高斯算子;或者使用二阶算子得到第一印章对应的第一边缘区域印章和第二印章对应的第二边缘区域印章,例如canny算子。或者使用几何规则或深度学习的方法,到第一印章对应的第一边缘区域印章和第二印章对应的第二边缘区域印章。
可选地,所述根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值包括:
根据所述原始印章分类错误和/或所述修复印章分类错误,确定所述第二目标损失值。
应理解,上述分类结果包括原始印章分类错误和/或所述修复印章分类错误。在分类结果表征所述原始印章分类错误和/或所述修复印章分类错误的情况下,一种可选地实施方式为,使用二分类交叉熵损失函数对目标矩阵计算,得到第二目标损失值。
为便于理解,可以通过下述公式计算得到第二目标损失值:
LD=D(Xreal)+D(Xfake)
其中,LD是第二目标损失值,D(Xreal)是第四损失值,D(Xfake)是第五损失值。
上述第四损失值表征对原始印章分类错误的情况下,产生的损失值;上述第五损失值表征对修复印章分类错误的情况下,产生的损失值。
在分类结果表征对原始印章分类错误的情况下,即分类结果表征原始印章由生成器生成,和/或,在分类结果表征对修复印章分类错误的情况下,即分类结果表征修复印章不由生成器生成。也就是说,在分类结果对原始印章进行错误分类,或者对修复印章进行错误分类的情况下,使用二分类交叉熵损失函数对目标矩阵进行计算,得到第二目标损失值。
应理解,分类结果可以表征为一个矩阵,本实施例中,由于是将2张印章(即原始印章和修复印章)分成2类,因此分类结果可以表征为一个2*2的目标矩阵。使用二分类交叉熵损失函数对目标矩阵进行计算,得到第二目标损失值,其中,二分类交叉熵损失函数又称为BCE损失函数。
本实施例中,在对原始印章和/或修复印章分类错误的情况下,计算第二目标损失值,进而基于第二目标损失值调整判别器对应的第二网络参数,提高判别器的分类性能。
可选地,所述方法还包括:
根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
输出所述训练后的印章修复网络模型中的生成器。
本实施例中,如上所述,在更新生成器对应的第一网络参数后,得到更新后的生成器;在更新判别器对应的第二网络参数后,得到更新后的判别器。可选地,在生成器生成的修复印章满足一定条件的情况下,确定印章修复网络模型训练完成,输出所述训练后的印章修复网络模型中的生成器,从而利用该生成器对待处理印章图像进行修复。
可选地,所述在所述输出所述训练后的印章修复网络模型中的生成器之前,所述方法还包括:
对所述训练后的印章修复网络模型进行评估,得到评估结果;
若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
本实施例中,每对生成器对应的第一网络参数和判别器对应的第二网络参数更新一次,即对训练后的印章修复网络模型进行评估。若评估结果满足预设条件,表示该印章修复网络模型训练完成,则输出该印章修复网络模型;若评估结果不满足预设条件,则继续对印章修复网络模型进行迭代训练,其中,上述迭代训练的过程即更新生成器对应的第一网络参数和判别器对应的第二网络参数的过程。
可选地,在每次迭代训练过程中,可以先更新第一网络参数,再更新第二网络参数;也可以先更新第二网络参数,再更新第二网络参数。本发明优选的是,先更新第一网络参数,再更新第二网络参数,具体而言,先固定判别器对应的第二网络参数,计算生成器对应的第一目标损失值,并使用该第一目标损失值反向传播计算生成器中各卷积层的梯度,以更新第一网络参数;再固定生成器对应的第一网络参数,计算判别器对应的第二目标损失值,并使用该第二目标损失值反向传播计算判别器中各卷积层的梯度,以更新第二网络参数。
可选地,预设条件包括以下任意一项:
所述修复印章与所述原始印章之间的均方误差小于或等于第一预设阈值;
所述修复印章与所述原始印章之间的结构相似度大于或等于第二预设阈值;
所述修复印章与所述原始印章之间的峰值信噪比大于或等于第三预设阈值。
一种可选的实施方式为,在得到修复印章后,计算修复印章与原始印章之间的均方误差,均方误差是反映估计量与被估计量之间差异程度的一种度量,在均方误差小于或等于第一预设阈值的情况下,确定生成器生成的修复印章满足预设条件,可以将当前训练的生成器确定为目标生成器。
另一种可选的实施方式为,在得到修复印章后,计算修复印章与原始印章之间的结构相似度。可选的,可以使用相似结构性(Structural SIMilarity,SSIM)公式,比较修复印章与原始印章的亮度、对比度和结构,在结构相似度大于或等于第二预设阈值的情况下,将当前训练的生成器确定为目标生成器。
另一种可选的实施方式为,在得到修复印章后,计算修复印章与原始印章之间的峰值信噪比,在峰值信噪比大于或等于第三预设阈值的情况下,将当前训练的生成器确定为目标生成器。
在其他实施例中,可以基于修复印章与所述原始印章之间均方误差、结构相似度和峰值信噪比中的至少两个参数,判断生成器生成的修复印章是否满足预设条件。
应理解,上述第一预设阈值、第二预设阈值和第三预设阈值均可以自定义设置。预设条件也可以是其他可以自定义设置的条件,在此不做具体限定。
本实施例中,在生成器生成的修复印章满足预设条件的情况下,表示修复印章与原始印章之间的差别在误差范围内,则停止训练印章修复对抗网络模型,将当前训练的生成器确定为目标生成器。
应理解,在生成器生成的修复印章满足预设条件后,将当前训练的印章修复网络模型中的生成器确定为目标生成器。
为便于对整体方案的理解,请参阅图7,图7为本发明实施例中印章修复方法的应用场景示意图。如图7所示,生成训练数据,训练数据包括原始印章和噪声印章。将训练数据输入至印章修复网络模型的生成器中,生成器生成修复印章。进一步的,计算得到生成器对应的第一目标损失值,使用第一目标损失值调整生成器的第一网络参数。将修复印章和原始印章输入至判别器中,判别器生成分类结果。进一步的,调整判别器对应的第二网络参数。在生成器生成的修复印章满足预设条件的情况下,导出目标生成器。这样,将待修复印章和原始印章输入至目标生成器中,目标生成器输出修复后的印章。
可选地,所述噪声印章为对所述原始印章进行加噪处理后得到。
本实施例中,上述原始印章可以是用户输入的印章,或者,也可以是根据预设的电子印章规则生成的印章。
在得到原始印章后,对原始印章进行加噪处理,得到噪声印章。可选的,可以在原始印章中添加背景印章,得到噪声印章;也可以变换原始印章中各像素点的像素值,得到噪声印章。本实施例并不对加噪处理的具体方式进行限定。
如图8所示,本发明实施例还提供了一种印章修复网络模型的训练装置200,所述印章修复网络模型包括生成器和判别器,所述印章修复网络模型的训练装置200包括:
第一确定模块201,用于根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值;所述第一边缘区域印章与所述修复印章相关联,所述第二边缘区域印章与所述原始印章相关联;
第一更新模块202,用于使用所述第一目标损失值,更新所述生成器对应的第一网络参数;
第二确定模块203,用于根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值;
第二更新模块204,用于使用所述第二目标损失值,更新所述判别器对应的第二网络参数。
可选地,所述第一确定模块201,具体用于:
使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失值;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
可选地,所述印章修复网络模型的训练装置200还包括:
第一处理模块,用于分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
第二处理模块,用于分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
可选地,所述第二确定模块203,具体用于:
根据原始印章分类错误和/或修复印章分类错误,确定所述第二目标损失值。
可选地,所述印章修复网络模型的训练装置200还包括:
第一训练模块,用于根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
第一输出模块,用于输出所述训练后的印章修复网络模型中的生成器。
可选地,所述印章修复网络模型的训练装置200还包括:
评估模块,用于对所述训练后的印章修复网络模型进行评估,得到评估结果;
第二输出模块,用于若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
第二训练模块,用于若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
可选地,所述预设条件包括以下任意一项:
所述修复印章与所述原始印章之间的均方误差小于或等于第一预设阈值;
在所述修复印章与所述原始印章之间的结构相似度大于或等于第二预设阈值;
在所述修复印章与所述原始印章之间的峰值信噪比大于或等于第三预设阈值。
可选地,其特征在于,所述噪声印章为对所述原始印章进行加噪处理后得到。
本发明实施例还提供了一种电子设备,如图9所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。
存储器303,用于存放计算机程序;
所述计算机程序被所述处理器501执行时,用于根据生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值;
使用所述第一目标损失值,更新所述生成器对应的第一网络参数;
根据判别器对应的分类结果,确定所述判别器对应的第二目标损失值;
使用所述第二目标损失值,更新所述判别器对应的第二网络参数。
所述计算机程序被所述处理器301执行时,还用于使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失值;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
所述计算机程序被所述处理器301执行时,还用于分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
所述计算机程序被所述处理器301执行时,还用于根据原始印章分类错误和/或修复印章分类错误,确定所述第二目标损失值。
所述计算机程序被所述处理器301执行时,还用于根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
输出所述训练后的印章修复网络模型中的生成器。
所述计算机程序被所述处理器301执行时,还用于对所述训练后的印章修复网络模型进行评估,得到评估结果;
若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,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中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一实施例所述的印章修复网络模型的训练方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一实施例所述的印章修复网络模型的训练方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (16)
1.一种印章修复网络模型的训练方法,其特征在于,所述印章修复网络模型包括生成器和判别器,所述方法包括:
根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值;所述第一边缘区域印章与所述修复印章相关联,所述第二边缘区域印章与所述原始印章相关联;
使用所述第一目标损失值,更新所述生成器对应的第一网络参数;
根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值;
使用所述第二目标损失值,更新所述判别器对应的第二网络参数;
所述根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值包括:
使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失值;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值之前,所述方法包括:
分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
3.根据权利要求1所述的方法,其特征在于,其中,所述分类结果包括原始印章分类错误和/或所述修复印章分类错误,所述根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值包括:
根据所述原始印章分类错误和/或所述修复印章分类错误,确定所述第二目标损失值。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
输出所述训练后的印章修复网络模型中的生成器。
5.根据权利要求4所述的方法,其特征在于,在所述输出所述训练后的印章修复网络模型中的生成器之前,所述方法还包括:
对所述训练后的印章修复网络模型进行评估,得到评估结果;
若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
6.根据权利要求5所述的方法,其特征在于,所述预设条件包括以下任意一项:
所述修复印章与所述原始印章之间的均方误差小于或等于第一预设阈值;
在所述修复印章与所述原始印章之间的结构相似度大于或等于第二预设阈值;
在所述修复印章与所述原始印章之间的峰值信噪比大于或等于第三预设阈值。
7.根据权利要求1所述的方法,其特征在于,噪声印章为对所述原始印章进行加噪处理后得到。
8.一种印章修复网络模型的训练装置,其特征在于,所述印章修复网络模型包括生成器和判别器,所述装置包括:
第一确定模块,用于根据所述生成器输出的修复印章、原始印章、第一边缘区域印章和第二边缘区域印章,确定所述生成器对应的第一目标损失值;所述第一边缘区域印章与所述修复印章相关联,所述第二边缘区域印章与所述原始印章相关联;
第一更新模块,用于使用所述第一目标损失值,更新所述生成器对应的第一网络参数;
第二确定模块,用于根据所述判别器对应的分类结果,确定所述判别器对应的第二目标损失值;
第二更新模块,用于使用所述第二目标损失值,更新所述判别器对应的第二网络参数;
所述第一确定模块,具体用于:
使用感知损失函数对所述修复印章和所述原始印章进行计算,得到第一损失值;
使用回归类损失函数对所述修复印章和所述原始印章进行计算,得到第二损失;
使用回归类损失函数对第一边缘区域印章和第二边缘区域印章进行计算,得到第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值之间的和值,确定为所述第一目标损失值。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第一处理模块,用于分别对所述修复印章和所述原始印章进行二值化处理,得到第一印章和第二印章;
第二处理模块,用于分别对所述第一印章和所述第二印章使用边缘提取算法,得到所述第一边缘区域印章和所述第二边缘区域印章。
10.根据权利要求8所述的装置,其特征在于,所述第二确定模块,具体用于:
根据原始印章分类错误和/或修复印章分类错误,确定所述第二目标损失值。
11.根据权利要求8-10中任一项所述的装置,其特征在于,所述装置还包括:
第一训练模块,用于根据更新后的生成器和更新后的判别器,得到训练后的印章修复网络模型;
第一输出模块,用于输出所述训练后的印章修复网络模型中的生成器。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
评估模块,用于对所述训练后的印章修复网络模型进行评估,得到评估结果;
第二输出模块,用于若所述评估结果满足预设条件,输出所述训练后的印章修复网络模型中的生成器;
第二训练模块,用于若所述评估结果未满足预设条件,对所述印章修复网络模型进行迭代训练。
13.根据权利要求12所述的装置,其特征在于,所述预设条件包括以下任意一项:
所述修复印章与所述原始印章之间的均方误差小于或等于第一预设阈值;
在所述修复印章与所述原始印章之间的结构相似度大于或等于第二预设阈值;
在所述修复印章与所述原始印章之间的峰值信噪比大于或等于第三预设阈值。
14.根据权利要求8所述的装置,其特征在于,噪声印章为对所述原始印章进行加噪处理后得到。
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7中任一项所述的印章修复网络模型的训练方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现权利要求1-7中任一项所述的印章修复网络模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189365.XA CN114881864B (zh) | 2021-10-12 | 2021-10-12 | 印章修复网络模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189365.XA CN114881864B (zh) | 2021-10-12 | 2021-10-12 | 印章修复网络模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881864A CN114881864A (zh) | 2022-08-09 |
CN114881864B true CN114881864B (zh) | 2023-01-03 |
Family
ID=82666497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111189365.XA Active CN114881864B (zh) | 2021-10-12 | 2021-10-12 | 印章修复网络模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881864B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047522A (zh) * | 2019-11-07 | 2020-04-21 | 北京科技大学 | 一种基于边缘生成的图像修复方法 |
CN112614066A (zh) * | 2020-12-23 | 2021-04-06 | 文思海辉智科科技有限公司 | 图像修复方法、装置及电子设备 |
CN112884669A (zh) * | 2021-02-25 | 2021-06-01 | 电子科技大学 | 基于多尺度内容注意力机制的图像修复方法、存储介质和终端 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325931A (zh) * | 2018-08-22 | 2019-02-12 | 中北大学 | 基于生成对抗网络和超分辨率网络的多模态图像融合方法 |
CN111062872B (zh) * | 2019-12-17 | 2021-02-05 | 暨南大学 | 一种基于边缘检测的图像超分辨率重建方法及系统 |
CN111612721B (zh) * | 2020-05-22 | 2023-09-22 | 哈尔滨工业大学(深圳) | 一种图像修复模型训练、卫星图像修复方法及装置 |
CN113269722A (zh) * | 2021-04-22 | 2021-08-17 | 北京邮电大学 | 生成对抗网络的训练方法、及高分辨率图像重建方法 |
CN113409342A (zh) * | 2021-05-12 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 图像风格迁移模型的训练方法、装置及电子设备 |
-
2021
- 2021-10-12 CN CN202111189365.XA patent/CN114881864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047522A (zh) * | 2019-11-07 | 2020-04-21 | 北京科技大学 | 一种基于边缘生成的图像修复方法 |
CN112614066A (zh) * | 2020-12-23 | 2021-04-06 | 文思海辉智科科技有限公司 | 图像修复方法、装置及电子设备 |
CN112884669A (zh) * | 2021-02-25 | 2021-06-01 | 电子科技大学 | 基于多尺度内容注意力机制的图像修复方法、存储介质和终端 |
Also Published As
Publication number | Publication date |
---|---|
CN114881864A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284280B (zh) | 仿真数据优化方法、装置及存储介质 | |
CN112001406B (zh) | 一种文本区域检测方法及装置 | |
CN112329837B (zh) | 一种对抗样本检测方法、装置、电子设备及介质 | |
CN110929733A (zh) | 除噪方法、装置、计算机设备、存储介质及模型训练方法 | |
CN111340820B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN112614066A (zh) | 图像修复方法、装置及电子设备 | |
CN111027412B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN111915567A (zh) | 一种图像质量评估方法、装置、设备及介质 | |
CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
TWI818496B (zh) | 指紋識別方法、指紋模組及電子設備 | |
CN113420848A (zh) | 神经网络模型的训练方法及装置、手势识别的方法及装置 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN111145202A (zh) | 模型生成方法、图像处理方法、装置、设备及存储介质 | |
CN114881864B (zh) | 印章修复网络模型的训练方法及装置 | |
CN112712181A (zh) | 模型构建优化方法、装置、设备和可读存储介质 | |
JP2019159835A (ja) | 学習プログラム、学習方法および学習装置 | |
CN111260759B (zh) | 一种路径确定方法及装置 | |
Khanzadi et al. | A novel metric for digital image quality assessment using entropy-based image complexity | |
CN113033542B (zh) | 一种文本识别模型的生成方法以及装置 | |
CN113763305B (zh) | 标定物品缺陷的方法、装置及电子设备 | |
CN111738961B (zh) | 一种电子图像的修复方法、装置、设备及可读存储介质 | |
CN111640076B (zh) | 一种图像补全方法、装置及电子设备 | |
CN113014928A (zh) | 一种补偿帧生成方法及装置 | |
CN114757870A (zh) | 栅格地图质量评估方法、装置、计算机设备及存储介质 | |
Malinski et al. | Is large improvement in efficiency of impulsive noise removal in color images still possible? |
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 |