CN115223251A - 签名检测模型的训练方法和装置、电子设备及存储介质 - Google Patents

签名检测模型的训练方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115223251A
CN115223251A CN202210906309.1A CN202210906309A CN115223251A CN 115223251 A CN115223251 A CN 115223251A CN 202210906309 A CN202210906309 A CN 202210906309A CN 115223251 A CN115223251 A CN 115223251A
Authority
CN
China
Prior art keywords
image
signature
target
sample
loss value
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
Application number
CN202210906309.1A
Other languages
English (en)
Inventor
王健宗
李泽远
司世景
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210906309.1A priority Critical patent/CN115223251A/zh
Publication of CN115223251A publication Critical patent/CN115223251A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/30—Writer recognition; Reading and verifying signatures
    • G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
    • G06V40/382—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/16—Image preprocessing
    • G06V30/164—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/30—Writer recognition; Reading and verifying signatures
    • G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
    • G06V40/394—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种签名检测模型的训练方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像；通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像；通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值；根据第一损失值和第二损失值对神经网络模型进行参数优化，以训练神经网络模型，得到签名检测模型。本申请实施例能够提高模型的训练效果。

Description

签名检测模型的训练方法和装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种签名检测模型的训练方法和装置、电子设备及存储介质。
背景技术
目前的签名检测方法所依赖的神经网络模型的训练，往往需要较好的样本数据，而在现实场景下获取大量的高质量样本数据较为困难，使得用于模型训练的样本数据较少，影响模型的训练效果，因此，如何提高模型的训练效果，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种签名检测模型的训练方法和装置、电子设备及存储介质，旨在提高模型的训练效果。
为实现上述目的，本申请实施例的第一方面提出了一种签名检测模型的训练方法，所述方法包括：
获取样本签名图像，其中，所述样本签名图像包括正样本图像和负样本图像，所述正样本图像是由样本对象签署样本对象签名的图像，所述负样本图像是由非样本对象签署所述样本对象签名的图像；
通过预设的神经网络模型对所述正样本图像进行扩散处理，得到初始噪声图像；
通过所述神经网络模型对所述初始噪声图像进行去噪处理，得到目标纯净图像；
通过预设的第一损失函数对所述初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；
通过预设的第二损失函数计算所述目标纯净图像和所述负样本图像之间的损失值，得到第二损失值；
根据所述第一损失值和所述第二损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到签名检测模型；其中，所述签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，所述目标对象签名是目标对象的签名，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署。
在一些实施例，所述通过预设的神经网络模型对所述正样本图像进行扩散处理，得到初始噪声图像的步骤，包括：
通过所述神经网络模型和预设的噪声因子对所述正样本图像进行高斯采样处理，得到初始采样图像；
根据预设的筛选条件对所述初始采样图像进行筛选处理，得到所述初始噪声图像。
在一些实施例，所述根据所述第一损失值和所述第二损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到签名检测模型的步骤，包括：
根据预设的权重参数对所述第一损失值和所述第二损失值进行加权计算，得到目标损失值；
通过随机梯度下降法和所述目标损失值对所述神经网络模型进行参数优化，得到所述签名检测模型。
在一些实施例，所述获取样本签名图像的步骤，包括：
获取签署有所述样本对象名的原始签名图像；
对所述原始签名图像进行标准化处理，得到所述样本签名图像。
为实现上述目的，本申请实施例的第二方面提出了一种签名检测方法，所述签名检测方法包括：
获取签署有目标对象名的目标签名图像；所述目标对象签名是目标对象的签名；
将所述目标签名图像输入至签名检测模型中进行检测处理，得到检测结果，其中，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署，所述签名检测模型根据如第一方面所述的训练方法训练得到。
在一些实施例，所述将所述目标签名图像输入至签名检测模型中进行检测处理，得到检测结果的步骤，包括：
通过所述签名检测模型对所述目标签名图像进行扩散处理，得到目标噪声图像；
对所述目标噪声图像和预先获取的参考噪声图像进行差异性计算，得到目标差距值；
根据目标差距值和预设的差距阈值，得到所述检测结果。
为实现上述目的，本申请实施例的第三方面提出了一种签名检测模型的训练装置，所述训练装置包括：
样本图像获取模块，用于获取样本签名图像，其中，所述样本签名图像包括正样本图像和负样本图像，所述正样本图像是由样本对象签署样本对象签名的图像，所述负样本图像是由非样本对象签署所述样本对象签名的图像；
扩散模块，用于通过预设的神经网络模型对所述正样本图像进行扩散处理，得到初始噪声图像；
去噪模块，用于通过所述神经网络模型对所述初始噪声图像进行去噪处理，得到目标纯净图像；
第一计算模块，用于通过预设的第一损失函数对所述初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；
第二计算模块，用于通过预设的第二损失函数计算所述目标纯净图像和所述负样本图像之间的损失值，得到第二损失值；
训练模块，用于根据所述第一损失值和所述第二损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到签名检测模型；其中，所述签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，所述目标对象签名是目标对象的签名，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署。
为实现上述目的，本申请实施例的第四方面提出了一种签名检测装置，所述签名检测装置包括：
目标图像获取模块，用于获取签署有目标对象名的目标签名图像；所述目标对象签名是目标对象的签名；
检测模块，用于将所述目标签名图像输入至签名检测模型中进行检测处理，得到检测结果，其中，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署，所述签名检测模型根据如第一方面所述的训练方法训练得到。
为实现上述目的，本申请实施例的第五方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法或者第二方面所述的方法。
为实现上述目的，本申请实施例的第六方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法或者第二方面所述的方法。
本申请提出的签名检测模型的训练方法和装置、电子设备及存储介质，其通过获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像。进一步地，通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；并通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像，这一方式能够充分地挖掘样本签名图像中的签名特征，提高模型的训练效果。通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；并通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值，从而根据第一损失值和第二损失值对神经网络模型进行参数优化，实现对神经网络模型的训练，这一方式能够方便地初始噪声图像和参考噪声图像之间的差异性以及目标纯净图像和负样本图像之间的差异性进行深度挖掘，使得神经网络模型更加专注于对图像差异性的学习，得到签名检测模型，其中，签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，目标对象签名是目标对象的签名，检测结果用于表征目标对象签名是否由目标对象签署，这一方式提高了得到的签名检测模型的模型训练效果以及模型性能。
附图说明
图1是本申请实施例提供的签名检测模型的训练方法的流程图；
图2是图1中的步骤S101的流程图；
图3是图1中的步骤S102的流程图；
图4是图1中的步骤S106的流程图；
图5是本申请实施例提供的签名检测方法的流程图；
图6是图5中的步骤S502的流程图；
图7是本申请实施例提供的签名检测模型的训练装置的结构示意图；
图8是本申请实施例提供的签名检测装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
正态分布(Normal distribution)：也称“常态分布”，又名高斯分布(Gaussiandistribution)，正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当＝0,σ＝1时的正态分布是标准正态分布。
图像噪声：是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了遥感图像的质量，因此在图像增强处理和分类处理之前，必须予以纠正。图像中各种妨碍人们对其信息接受的因素即可称为图像噪声。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。
随机梯度下降法(Stochastic Gradient Descent，SGD)：随机梯度下降法是从样本中随机抽出一组，训练后按梯度更新一次，然后再抽取一组，再更新一次，在样本量极大的情况下，可能不训练完所有的样本就可以获得一个损失值在可接受范围之内的模型。随机梯度下降是一种简单但非常有效的方法，多用于支持向量机、逻辑回归等损失函数下的线性分类器的学习。并且随机梯度下降法已成功应用于文本分类和自然语言处理中经常遇到的大规模和稀疏机器学习问题。随机梯度下降法既可以用于分类计算，也可以用于回归计算。
目前的签名检测方法所依赖的神经网络模型的训练，往往需要较好的样本数据，而在现实场景下获取大量的高质量样本数据较为困难，使得用于模型训练的样本数据较少，影响模型的训练效果，因此，如何提高模型的训练效果，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种签名检测模型的训练方法和装置、电子设备及存储介质，旨在提高模型的训练效果。
本申请实施例提供的签名检测模型的训练方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的签名检测模型的训练方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的签名检测模型的训练方法，涉及人工智能技术领域。本申请实施例提供的签名检测模型的训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现推荐方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的签名检测模型的训练方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101，获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像；
步骤S102，通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；
步骤S103，通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像；
步骤S104，通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；
步骤S105，通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值；
步骤S106，根据第一损失值和第二损失值对神经网络模型进行参数优化，以训练神经网络模型，得到签名检测模型；其中，签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，目标对象签名是目标对象的签名，检测结果用于表征目标对象签名是否由目标对象签署。
本申请实施例所示意的步骤S101至步骤S106，通过获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像。进一步地，通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；并通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像，这一方式能够充分地挖掘样本签名图像中的签名特征，提高模型的训练效果。通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；并通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值，从而根据第一损失值和第二损失值对神经网络模型进行参数优化，实现对神经网络模型的训练，这一方式能够方便地初始噪声图像和参考噪声图像之间的差异性以及目标纯净图像和负样本图像之间的差异性进行深度挖掘，使得神经网络模型更加专注于对图像差异性的学习，得到签名检测模型，其中，签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，目标对象签名是目标对象的签名，检测结果用于表征目标对象签名是否由目标对象签署，这一方式提高了得到的签名检测模型的模型训练效果以及模型性能。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S202：
步骤S201，获取签署有样本对象名的原始签名图像；
步骤S202，对原始签名图像进行标准化处理，得到样本签名图像。
在一些实施例的步骤S201中，原始签名图像可以为三维图像或者二维图像；在一些实施例，该原始签名图像可以是通过计算机断层扫描(Computed Tomo-graphy,-CT)，在另一项实施例，该原始签名图像还可以是通过核磁共振成像(Magnetic ResonanceImaging,MRI)或者相机拍摄等方式得到。该原始签名图像包括非样本对象签署的样本对象名和样本对象签署的样本对象名。
在一些实施例的步骤S202中，可以采用最大最小值归一化等方法对每一原始签名图像的图像像素数据进行标准化处理，使得每一原始签名图像的图像像素取值在[0,1]之间，得到样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像。
例如，若样本对象为张三，则正样本图像即为由张三本人签署的含有“张三”这一签名的图像，负样本图像即为由其他人签署的含有“张三”这一签名的图像。
请参阅图3，在一些实施例中，步骤S102可以包括但不限于包括步骤S301至步骤S302：
步骤S301，通过神经网络模型和预设的噪声因子对正样本图像进行高斯采样处理，得到初始采样图像；
步骤S302，根据预设的筛选条件对初始采样图像进行筛选处理，得到初始噪声图像。
在一些实施例的步骤S301中，将正样本图像作为训练集输入至预设的神经网络模型中，训练集可以记为
Figure BDA0003772558830000081
通过神经网络模型从图像空间中抽取正样本图像
Figure BDA0003772558830000082
并对正样本图像
Figure BDA0003772558830000083
进行高斯采样处理，使得得到的初始采样图像xT能够服从标准高斯分布，其中，该标准高斯分布的均值为0，方差为单位阵I。具体地，对正样本图像进行T次扩散处理，逐步对正样本图像添加预设的噪声因子，其中，预设的噪声因子主要包括图像噪声，该扩散过程q可以表示如公式(1)所示：
Figure BDA0003772558830000091
其中，xt为处于当前加噪过程的正样本图像，xt-1为处于前一次加噪过程的正样本图像，βt为常数，βt通常取值为0到1之间的等比数列，t＝1,2,3，…，T，I为与正样本图像同阶的单位阵。
根据上述方式进行高斯采样，每一次的加噪结果可以表示为
Figure BDA0003772558830000092
Figure BDA0003772558830000093
εθ为噪声网络，
Figure BDA0003772558830000094
Figure BDA0003772558830000095
经过T次扩散处理之后，能够通过高斯采样的方式将正样本图像转换为服从标准高斯分布的初始采样图像。
在一些实施例的步骤S302中，为了提高模型的训练效果，在得到初始采样图像之后，还可以根据预设的筛选条件对初始采样图像进行筛选处理，得到初始噪声图像xT，其中，预设的筛选条件可以包括图像总量、图像尺寸、图像像素等等，不做限制。
通过上述步骤S301至步骤S302能够不断地对正样本图像进行加噪处理，使得得到的初始噪声图像尽可能地接近标准高斯分布，使得在模型训练过程中能够充分地挖掘样本签名图像中的签名特征，提高模型的训练效果。
在一些实施例的步骤S103中，通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像的过程与上述步骤S102的具体过程相反，即去噪处理的过程可以看作是扩散过程的逆过程。在去噪过程中，初始噪声图像xT服从标准高斯分布，其中，该标准高斯分布的均值为0，方差为单位阵I，即xT～N(0，I)，逐步对初始噪声图像进行T次降噪处理，得到目标纯净图像
Figure BDA0003772558830000096
其中，第t次降噪的结果可以表示如公式(2)所示。
Figure BDA0003772558830000097
其中，xt为处于前一次降噪过程的初始噪声图像，xt-1为处于当前降噪过程的初始噪声图像，θ为噪声网络，
Figure BDA0003772558830000098
Figure BDA0003772558830000099
βt为常数，βt通常取值为0到1之间的等比数列，t＝1,2,3，…，T。
在一些实施例的步骤S104中，为了在噪声空间约束模型对签名特征的空间信息的捕捉能力，可以通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值，具体的计算过程可以表示如公式(3)所示。
Figure BDA00037725588300000910
其中，ε是从标准正态分布中采样出参考噪声图像，该参考噪声图像∈服从标准正态分布，即ε～N(0,I)，x0是包含样本对象签署的样本对象名的初始噪声图像。εθ为加噪网络，
Figure BDA0003772558830000101
βt为常数，βt通常取值为0到1之间的等比数列，t＝1,2,3，…，T。
通过第一损失值LossNB可以方便地表征出标准正态分布的参考噪声图像与经过扩散处理的正样本图像(即初始噪声图像)之间的距离，第一损失值越小，则表明经过扩散处理的正样本图像越趋近于标准正态分布。因此，在模型训练时，为了在噪声空间约束模型对签名特征的空间信息的捕捉能力，需要使得第一损失值最小化。
在一些实施例的步骤S105中，为了更好地区分出样本对象签署的样本对象名和非样本对象签署的样本对象名，可以通过预设的第二损失函数计算目标纯净图像
Figure BDA0003772558830000102
和负样本图像
Figure BDA0003772558830000103
之间的损失值，得到第二损失值。具体的计算过程可以表示如公式(4)所示。
Figure BDA0003772558830000104
其中，
Figure BDA0003772558830000105
表示目标纯净图像的类中心，可以通过多个目标纯净图像求取平均值得到，
Figure BDA0003772558830000106
为包括非样本对象签署样本对象名的负样本图像，n为目标纯净图像的总量。
通过第二损失值可以反映出非样本对象签署样本对象名的负样本图像与目标纯净图像之间的差距，若第二损失值越小，则表明目标纯净图像的类中心与负样本图像之间的差距越大。在模型训练时，为了提高模型对样本对象的签名特征的学习，并且尽可能地挖掘出样本对象签署的样本对象名和非样本对象签署的样本对象名之间的潜在区别，需要使得第二损失值最小化。
请参阅图4，在一些实施例中，步骤S106可以包括但不限于包括步骤S401至步骤S402：
步骤S401，根据预设的权重参数对第一损失值和第二损失值进行加权计算，得到目标损失值；
步骤S402，通过随机梯度下降法和目标损失值对神经网络模型进行参数优化，得到签名检测模型。
在一些实施例的步骤S401中，根据预设的权重参数对第一损失值和第二损失值进行加权计算，得到目标损失值LOSS的过程可以表示如公式(5)所示。
LOSS＝a*LossNB+b*Lossdistance 公式(5)
其中，a，b为权重参数，可以根据实际业务需求设置。
在一些实施例的步骤S402中，利用随机梯度下降法对模型参数进行更新，实现对目标损失值进行最小化处理，使得能够同时最小化第一损失值和第二损失值，并且利用早停法控制模型训练的进度，例如，当模型的验证误差在10个以上的迭代过程中出现连续上升，则停止模型训练，得到签名检测模型。
本申请实施例的签名检测模型的训练方法，其通过获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像。进一步地，通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；并通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像，这一方式能够充分地挖掘样本签名图像中的签名特征，提高模型的训练效果。通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；并通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值，从而根据第一损失值和第二损失值对神经网络模型进行参数优化，实现对神经网络模型的训练，这一方式能够方便地初始噪声图像和参考噪声图像之间的差异性以及目标纯净图像和负样本图像之间的差异性进行深度挖掘，使得神经网络模型更加专注于对图像差异性的学习，得到签名检测模型，其中，签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，目标对象签名是目标对象的签名，检测结果用于表征目标对象签名是否由目标对象签署，这一方式提高了得到的签名检测模型的模型训练效果以及模型性能。
图5是本申请实施例提供的签名检测练方法的一个可选的流程图，图5中的方法可以包括但不限于包括步骤S501至步骤S502：
步骤S501，获取签署有目标对象名的目标签名图像；目标对象签名是目标对象的签名；
步骤S502，将目标签名图像输入至签名检测模型中进行检测处理，得到检测结果，其中，检测结果用于表征目标对象签名是否由目标对象签署，签名检测模型根据如第一方面实施例的训练方法训练得到。
在一些实施例的步骤S501中，目标签名图像可以为三维图像或者二维图像；在一些实施例，该目标签名图像可以是通过计算机断层扫描，在另一项实施例，该目标签名图像还可以是通过核磁共振成像或者相机拍摄等方式得到。该目标签名图像包括有样本对象名，该样本对象名为目标对象的签名。
在一些实施例的步骤S502中，为了检测该目标签名图像的目标对象签名是否为目标对象签署，需要将目标签名图像输入至签名检测模型中进行检测，通过签名检测模型对目标签名图像进行扩散处理，获取目标签名图像中的签名特征，得到目标噪声图像，再将目标噪声图像与参考噪声图像进行比对，若目标噪声图像与参考噪声图像差异过大，则表明目标签名图像中的目标对象签名不是目标对象签署的可能性较大，检测结果为签名异常；若目标噪声图像与参考噪声图像差异较小，则表明目标签名图像中的目标对象签名是目标对象签署的可能性较大，检测结果为签名正常。
本申请实施例的签名检测方法，其通过获取签署有目标对象名的目标签名图像，将目标签名图像输入至签名检测模型中进行检测处理，通过签名检测模型对目标签名图像进行扩散处理，获取目标签名图像中的签名特征，得到目标噪声图像，再将目标噪声图像与参考噪声图像进行比对，根据比对情况得到检测结果，能够较为方便地识别出目标签名图像中的目标对象签名是否由目标对象签署，提高了签名检测的准确性。
请参阅图6，在一些实施例，步骤S502还包括但不限于包括步骤S601至步骤S603：
步骤S601，通过签名检测模型对目标签名图像进行扩散处理，得到目标噪声图像；
步骤S602，对目标噪声图像和预先获取的参考噪声图像进行差异性计算，得到目标差距值；
步骤S603，根据目标差距值和预设的差距阈值，得到检测结果。
在一些实施例的步骤S601中，通过签名检测模型对目标签名图像进行T次扩散处理，逐步对目标签名图像添加预设的噪声因子，其中，预设的噪声因子主要包括图像噪声，该扩散过程q可以表示如公式(6)所示：
Figure BDA0003772558830000121
其中，Yt为处于当前加噪过程的目标签名图像，Yt-1为处于前一次加噪过程的目标签名图像，βt为常数，βt通常取值为0到1之间的等比数列，t＝1,2,3，…，T，I为与正样本图像同阶的单位阵。
根据上述方式对目标签名图像进行扩散处理，每一次的加噪结果可以表示为
Figure BDA0003772558830000122
εθ为噪声网络，
Figure BDA0003772558830000123
Figure BDA0003772558830000124
经过T次扩散处理之后，得到目标噪声图像Y′T。
在一些实施例的步骤S602中，从标准正态分布中采样出参考噪声图像∈，该参考噪声图像∈服从标准正态分布，即∈～N(0,I)。对目标噪声图像和参考噪声图像进行平方差距计算，得到目标差距值Distance，通过目标差距值来反映目标噪声图像和参考噪声图像之间的差异大小。其中，在进行平方差距计算的过程可以如公式(7)所示：
Distance＝‖Y′T-∈‖2 公式(7)
在一些实施例的步骤S603中，由于目标差距值Distance的大小可以直观地反映出目标噪声图像和参考噪声图像之间的差异大小，将目标差距值与预设的差距阈值进行比较，若目标差距值大于或者等于差距阈值K，则说明目标噪声图像和参考噪声图像之间的差异较大，因此可以认定该目标签名图像中的目标对象签名不是目标对象签署的可能性较大，检测结果为签名异常。若目标差距值小于差距阈值K，则说明若目标噪声图像与参考噪声图像差异较小，则表明目标签名图像中的目标对象签名是目标对象签署的可能性较大，检测结果为签名正常。
请参阅图7，本申请实施例还提供一种签名检测模型的训练装置，可以实现上述签名检测模型的训练方法，该装置包括：
样本图像获取模块701，用于获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像；
扩散模块702，用于通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；
去噪模块703，用于通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像；
第一计算模块704，用于通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；
第二计算模块705，用于通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值；
训练模块706，用于根据第一损失值和第二损失值对神经网络模型进行参数优化，以训练神经网络模型，得到签名检测模型；其中，签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，目标对象签名是目标对象的签名，检测结果用于表征目标对象签名是否由目标对象签署。
在一些实施例中，样本图像获取模块701包括：
图像获取单元，用于获取签署有样本对象名的原始签名图像；
标准化单元，用于对原始签名图像进行标准化处理，得到样本签名图像。
在一些实施例中，扩散模块702包括：
高斯采样单元，用于通过神经网络模型和预设的噪声因子对正样本图像进行高斯采样处理，得到初始采样图像；
筛选单元，用于根据预设的筛选条件对初始采样图像进行筛选处理，得到初始噪声图像。
在一些实施例中，训练模块706包括：
加权计算单元，用于根据预设的权重参数对第一损失值和第二损失值进行加权计算，得到目标损失值；
参数优化单元，用于通过随机梯度下降法和目标损失值对神经网络模型进行参数优化，得到签名检测模型。
该签名检测模型的训练装置的具体实施方式与上述签名检测模型的训练方法的具体实施例基本相同，在此不再赘述。
请参阅图8，本申请实施例还提供一种签名检测装置，可以实现上述签名检测方法，该装置包括：
目标图像获取模块801，用于获取签署有目标对象名的目标签名图像；目标对象签名是目标对象的签名；
检测模块802，用于将目标签名图像输入至签名检测模型中进行检测处理，得到检测结果，其中，检测结果用于表征目标对象签名是否由目标对象签署，签名检测模型根据如第一方面实施例的训练方法训练得到。
在一些实施例中，检测模块802包括：
扩散单元，用于通过签名检测模型对目标签名图像进行扩散处理，得到目标噪声图像；
差异性计算单元，用于对目标噪声图像和预先获取的参考噪声图像进行差异性计算，得到目标差距值；
比较单元，用于根据目标差距值和预设的差距阈值，得到检测结果。
该签名检测装置的具体实施方式与上述签名检测方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述签名检测模型的训练方法或者签名检测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的签名检测模型的训练方法或者签名检测方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述签名检测模型的训练方法或者签名检测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的签名检测模型的训练方法、签名检测方法、签名检测模型的训练装置、签名检测装置、电子设备及存储介质，其通过获取样本签名图像，其中，样本签名图像包括正样本图像和负样本图像，正样本图像是由样本对象签署样本对象签名的图像，负样本图像是由非样本对象签署样本对象签名的图像。进一步地，通过预设的神经网络模型对正样本图像进行扩散处理，得到初始噪声图像；并通过神经网络模型对初始噪声图像进行去噪处理，得到目标纯净图像，这一方式能够充分地挖掘样本签名图像中的签名特征，提高模型的训练效果。通过预设的第一损失函数对初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；并通过预设的第二损失函数计算目标纯净图像和负样本图像之间的损失值，得到第二损失值，从而根据第一损失值和第二损失值对神经网络模型进行参数优化，实现对神经网络模型的训练，这一方式能够方便地初始噪声图像和参考噪声图像之间的差异性以及目标纯净图像和负样本图像之间的差异性进行深度挖掘，使得神经网络模型更加专注于对图像差异性的学习，得到签名检测模型，其中，签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，目标对象签名是目标对象的签名，检测结果用于表征目标对象签名是否由目标对象签署，这一方式提高了得到的签名检测模型的模型训练效果以及模型性能。此外，本申请实施例的签名检测模型的训练方法在损失函数上关注到了对签名特征的空间信息捕捉以及样本对象签署的样本对象名与非样本对象签署的样本对象名的差异性，能够综合改善模型的训练效果，相较于传统技术中的对抗式的模型框架和训练机制，本申请的模型训练过程更为稳定。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-6中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多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的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种签名检测模型的训练方法，其特征在于，所述训练方法包括：
获取样本签名图像，其中，所述样本签名图像包括正样本图像和负样本图像，所述正样本图像是由样本对象签署样本对象签名的图像，所述负样本图像是由非样本对象签署所述样本对象签名的图像；
通过预设的神经网络模型对所述正样本图像进行扩散处理，得到初始噪声图像；
通过所述神经网络模型对所述初始噪声图像进行去噪处理，得到目标纯净图像；
通过预设的第一损失函数对所述初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；
通过预设的第二损失函数计算所述目标纯净图像和所述负样本图像之间的损失值，得到第二损失值；
根据所述第一损失值和所述第二损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到签名检测模型；其中，所述签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，所述目标对象签名是目标对象的签名，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署。
2.根据权利要求1所述的训练方法，其特征在于，所述通过预设的神经网络模型对所述正样本图像进行扩散处理，得到初始噪声图像的步骤，包括：
通过所述神经网络模型和预设的噪声因子对所述正样本图像进行高斯采样处理，得到初始采样图像；
根据预设的筛选条件对所述初始采样图像进行筛选处理，得到所述初始噪声图像。
3.根据权利要求1所述的训练方法，其特征在于，所述根据所述第一损失值和所述第二损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到签名检测模型的步骤，包括：
根据预设的权重参数对所述第一损失值和所述第二损失值进行加权计算，得到目标损失值；
通过随机梯度下降法和所述目标损失值对所述神经网络模型进行参数优化，得到所述签名检测模型。
4.根据权利要求1至3任一项所述的训练方法，其特征在于，所述获取样本签名图像的步骤，包括：
获取签署有所述样本对象名的原始签名图像；
对所述原始签名图像进行标准化处理，得到所述样本签名图像。
5.一种签名检测方法，其特征在于，所述签名检测方法包括：
获取签署有目标对象名的目标签名图像；所述目标对象签名是目标对象的签名；
将所述目标签名图像输入至签名检测模型中进行检测处理，得到检测结果，其中，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署，所述签名检测模型根据如权利要求1至4任一项所述的训练方法训练得到。
6.根据权利要求5所述的签名检测方法，其特征在于，所述将所述目标签名图像输入至签名检测模型中进行检测处理，得到检测结果的步骤，包括：
通过所述签名检测模型对所述目标签名图像进行扩散处理，得到目标噪声图像；
对所述目标噪声图像和预先获取的参考噪声图像进行差异性计算，得到目标差距值；
根据目标差距值和预设的差距阈值，得到所述检测结果。
7.一种签名检测模型的训练装置，其特征在于，所述训练装置包括：
样本图像获取模块，用于获取样本签名图像，其中，所述样本签名图像包括正样本图像和负样本图像，所述正样本图像是由样本对象签署样本对象签名的图像，所述负样本图像是由非样本对象签署所述样本对象签名的图像；
扩散模块，用于通过预设的神经网络模型对所述正样本图像进行扩散处理，得到初始噪声图像；
去噪模块，用于通过所述神经网络模型对所述初始噪声图像进行去噪处理，得到目标纯净图像；
第一计算模块，用于通过预设的第一损失函数对所述初始噪声图像和预先获取的参考噪声图像进行损失计算，得到第一损失值；
第二计算模块，用于通过预设的第二损失函数计算所述目标纯净图像和所述负样本图像之间的损失值，得到第二损失值；
训练模块，用于根据所述第一损失值和所述第二损失值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到签名检测模型；其中，所述签名检测模型用于对签署有目标对象签名的目标签名图像进行检测处理，得到检测结果，所述目标对象签名是目标对象的签名，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署。
8.一种签名检测装置，其特征在于，所述签名检测装置包括：
目标图像获取模块，用于获取签署有目标对象名的目标签名图像；所述目标对象签名是目标对象的签名；
检测模块，用于将所述目标签名图像输入至签名检测模型中进行检测处理，得到检测结果，其中，所述检测结果用于表征所述目标对象签名是否由所述目标对象签署，所述签名检测模型根据如权利要求1至4任一项所述的训练方法训练得到。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至4任一项所述的训练方法，或者如权利要求5至6任一项所述的签名检测方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至4任一项所述的训练方法，或者如权利要求5至6任一项所述的签名检测方法的步骤。
CN202210906309.1A 2022-07-29 2022-07-29 签名检测模型的训练方法和装置、电子设备及存储介质 Pending CN115223251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210906309.1A CN115223251A (zh) 2022-07-29 2022-07-29 签名检测模型的训练方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210906309.1A CN115223251A (zh) 2022-07-29 2022-07-29 签名检测模型的训练方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115223251A true CN115223251A (zh) 2022-10-21

Family

ID=83614509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210906309.1A Pending CN115223251A (zh) 2022-07-29 2022-07-29 签名检测模型的训练方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115223251A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433674A (zh) * 2023-06-15 2023-07-14 锋睿领创(珠海)科技有限公司 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116912202A (zh) * 2023-07-13 2023-10-20 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN116993663A (zh) * 2023-06-12 2023-11-03 阿里巴巴（中国）有限公司 图像处理方法、图像处理模型的训练方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993663A (zh) * 2023-06-12 2023-11-03 阿里巴巴（中国）有限公司 图像处理方法、图像处理模型的训练方法
CN116993663B (zh) * 2023-06-12 2024-04-30 阿里巴巴（中国）有限公司 图像处理方法、图像处理模型的训练方法
CN116433674A (zh) * 2023-06-15 2023-07-14 锋睿领创(珠海)科技有限公司 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116433674B (zh) * 2023-06-15 2023-08-18 锋睿领创(珠海)科技有限公司 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116912202A (zh) * 2023-07-13 2023-10-20 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN116912202B (zh) * 2023-07-13 2024-01-30 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统

Similar Documents

Publication Publication Date Title
CN115223251A (zh) 签名检测模型的训练方法和装置、电子设备及存储介质
CN111062389A (zh) 文字识别方法、装置、计算机可读介质及电子设备
CN114240552A (zh) 基于深度聚类算法的产品推荐方法、装置、设备及介质
CN114626097A (zh) 脱敏方法、脱敏装置、电子设备及存储介质
CN115222066A (zh) 模型训练方法和装置、行为预测方法、设备及存储介质
CN115036022A (zh) 健康风险评估方法和评估系统、计算机设备、存储介质
CN115222583A (zh) 模型训练方法及装置、图像处理方法、电子设备、介质
CN115132324A (zh) 心理健康预测方法和装置、电子设备、存储介质
CN114912537A (zh) 模型训练方法和装置、行为预测方法和装置、设备、介质
CN110717407A (zh) 基于唇语密码的人脸识别方法、装置及存储介质
CN114613462A (zh) 医疗数据处理方法和装置、电子设备及存储介质
CN116432648A (zh) 命名实体识别方法和识别装置、电子设备及存储介质
CN115841334A (zh) 异常账户识别方法和装置、电子设备及存储介质
CN115982452A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN115204300A (zh) 文本和表格语义交互的数据处理方法、装置及存储介质
CN115169716A (zh) 行为预测方法、行为预测装置、电子设备、存储介质
CN114974219A (zh) 语音识别方法、语音识别装置、电子设备及存储介质
CN114925199A (zh) 画像构建方法、画像构建装置、电子设备及存储介质
CN114913871A (zh) 目标对象分类方法、系统、电子设备及存储介质
CN114328916A (zh) 事件抽取、及其模型的训练方法，及其装置、设备和介质
CN117037170A (zh) 图像信息提取方法和装置、电子设备、存储介质
CN118628526A (zh) 一种目标跟踪方法和系统、电子设备及存储介质
CN114926874A (zh) 图像生成方法和装置、图像分发方法和装置、设备、介质
CN116703620A (zh) 理赔预测方法、理赔预测装置、电子设备及存储介质
CN117592456A (zh) 文本质量检测方法和装置、电子设备及存储介质

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