CN115905913B - 数字藏品的检测方法及装置 - Google Patents
数字藏品的检测方法及装置 Download PDFInfo
- Publication number
- CN115905913B CN115905913B CN202211260618.2A CN202211260618A CN115905913B CN 115905913 B CN115905913 B CN 115905913B CN 202211260618 A CN202211260618 A CN 202211260618A CN 115905913 B CN115905913 B CN 115905913B
- Authority
- CN
- China
- Prior art keywords
- collection
- feature
- sample
- digital
- distribution
- 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 75
- 238000009826 distribution Methods 0.000 claims abstract description 178
- 238000000605 extraction Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 239000000523 sample Substances 0.000 claims description 182
- 238000012549 training Methods 0.000 claims description 56
- 238000001514 detection method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 21
- 239000013074 reference sample Substances 0.000 claims description 19
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本说明书实施例提供了数字藏品的检测方法及装置，其中，一种数字藏品的检测方法包括：将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；计算第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；检测所述特征相似度是否处于所述认证藏品的相似度区间；若是，将所述数字藏品确定为所述认证藏品的侵权对象。
Description
技术领域
本文件涉及数据处理技术领域，尤其涉及一种数字藏品的检测方法及装置。
背景技术
数字藏品是基于区块链技术，对应特定的作品、艺术品生成的唯一数字凭证，在保护其数字著作权的基础上，实现真实可信的数字化发行、购买、收藏和使用。数字藏品不同于物理世界的艺术品，是在网络上的一串数据，有创作门槛低且保护难的特点，因此对于其的侵权越来越频繁。
发明内容
本说明书一个或多个实施例提供了一种数字藏品的检测方法，包括：将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征。将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布。计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度。检测所述特征相似度是否处于所述认证藏品的相似度区间，所述相似度区间根据相似度阈值和所述第二特征分布确定。若是，将所述数字藏品确定为所述认证藏品的侵权对象。
本说明书一个或多个实施例提供了一种数字藏品的检测装置，包括：特征提取模块，被配置为将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征。特征分布计算模块，被配置为将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布。相似度计算模块，被配置为计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度。相似度检测模块，被配置检测所述特征相似度是否处于所述认证藏品的相似度区间，所述相似度区间根据相似度阈值和所述第二特征分布确定；若是，运行侵权对象确定模块；所述侵权对象确定模块，被配置为将所述数字藏品确定为所述认证藏品的侵权对象。
本说明书一个或多个实施例提供了一种数字藏品的检测设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征。将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布。计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度。检测所述特征相似度是否处于所述认证藏品的相似度区间，所述相似度区间根据相似度阈值和所述第二特征分布确定。若是，将所述数字藏品确定为所述认证藏品的侵权对象。
本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征。将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布。计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度。检测所述特征相似度是否处于所述认证藏品的相似度区间，所述相似度区间根据相似度阈值和所述第二特征分布确定。若是，将所述数字藏品确定为所述认证藏品的侵权对象。
附图说明
为了更清楚地说明本说明书一个或多个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，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
图1为本说明书一个或多个实施例提供的一种数字藏品的检测方法处理流程图；
图2为本说明书一个或多个实施例提供的一种应用于虚拟世界场景的数字藏品的检测方法处理流程图；
图3为本说明书一个或多个实施例提供的一种数字藏品的检测装置示意图；
图4为本说明书一个或多个实施例提供的一种数字藏品的检测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
本说明书提供的一种数字藏品的检测方法实施例：
本实施例提供的数字藏品的检测方法，通过提取待检测的数字藏品的藏品数据特征，并根据藏品数据特征进行特征分布计算获得数字藏品的第一特征分布和第二特征分布，以此从第一特征分布与数字藏品库中认证藏品的第一特征分布出发，计算特征相似度，并根据第二特征分布相似度阈值确定相似度区间，判断特征相似度是否处于相似度区间，以此来判定待检测的数字藏品是否侵权产品，通过计算特征分布使侵权检测更加全面更加准确，提升侵权检测的准确性和有效性。
参照图1，本实施例提供的数字藏品的检测方法，所述方法具体包括步骤S102至步骤S110。
步骤S102，将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征。
本实施例中数字藏品是指利用相关技术对特定的数字艺术品生成的唯一数字凭证，在保护其数字版权的基础上，实现真实可信的数字化发行、购买、收藏和使用；其中，待检测的数字藏品是指尚未写入数字藏品库，需要经过检测该数字藏品的特征相似度是否处于认证藏品的相似度区间来确定是否为可写入数字藏品库的数字藏品，称之为待检测的数字藏品，例如数字图片、音乐、视频、3D模型、电子票证、数字纪念品等。可选的，所述数字藏品，包括：虚拟世界中的虚拟数字藏品。
所述虚拟世界，是指基于去中心化协作实现并且具有开放经济系统的虚拟的拟真世界，可选的，所述虚拟世界中通过生成非同质化标识占有虚拟数字藏品的所有权；具体的，真实世界中的用户可通过接入设备接入虚拟世界，比如用户通过接入设备进行游戏交互的游戏虚拟世界，再比如用户通过接入设备进行在线会议的会议虚拟世界；所述虚拟世界的接入设备，可以是连接虚拟世界的VR(Virtual Reality，虚拟现实)设备、AR(Augmented Reality，增强现实)设备等，比如连接虚拟世界的头戴式VR设备。
具体实施时，在基于所述特征提取模型进行特征提取的过程中，通过将所述藏品数据输入特征提取模型，实现对藏品数据特征的提取，可选的，所述特征提取模型包括特征提取器和编码器；其中，所述特征提取器用于对藏品数据进行特征提取获得初始特征；所述编码器用于对初始特征进行编码获得藏品数据特征。
在上述特征提取模型包括特征提取器和编码器的基础上，本实施例提供的一种可选实施方式中，所述特征提取模型具体采用如下方式进行特征提取：将所述藏品数据输入所述特征提取器进行特征提取，获得初始特征；将所述初始特征输入所述编码器进行编码，获得所述藏品数据特征。
实际应用中，所述特征提取模型的训练可以预先完成，比如可以在云服务器上进行特征提取模型的模型训练，也可以在线下进行特征提取模型的模型训练；在模型训练过程中，为了提升特征提取模型的训练效率，同时也为了降低训练样本的收集难度、减少模型训练的工作量，本实施例提供的一种可选实施方式中，所述特征提取模型，采用如下方式训练获得：
将藏品样本对输入待训练特征提取器中进行特征提取，获得样本初始特征；
将所述样本初始特征输入待训练编码器进行编码，获得样本数据特征；
根据所述样本数据特征、所述样本初始特征以及预设分类标签计算训练损失；
根据所述训练损失对所述待训练特征提取器和所述待训练编码器进行参数调整。
可选的，所述藏品样本对由第一藏品样本和第二藏品样本组成。
参照上述模型训练方式，重复上述训练过程对待训练特征提取器和待训练编码器进行训练，训练完成之后获得所述特征提取模型。进一步，为了提升模型训练效果，从藏品样本对的样本关系、样本数据特征，样本初始特征以及预设分类标签的维度引入损失计算，来对所述特征提取模型的训练过程进行约束，以此提升模型训练的准确率和效率。具体的，本实施例提供的一种可选实施方式中，所述根据藏品样本对的样本关系、所述样本数据特征、所述样本初始特征以及预设分类标签计算训练损失，包括：
根据所述藏品样本对的样本关系和预设分类标签计算第一分类损失，根据所述第一藏品样本的样本数据特征与所述第二藏品样本的样本数据特征计算第一特征损失；
根据所述藏品样本对的样本数据特征计算编码损失；
根据所述第一分类损失、所述第一特征损失以及所述编码损失计算训练损失。
例如，特征提取模型由待训练特征提取器和待训练编码器组成，待训练特征提取器采用ResNet50(50层残差网络)结构，待训练编码器采用三层MLP(MultilayerPerceptron，多层感知机)结构；在特征提取模型的训练过程中，将由藏品样本x1和藏品样本x2组成藏品样本对及其对应的预设分类标签输入ResNet50中进行特征提取，获得样本初始特征，该样本初始特征可以是512维向量，然后将512维向量输入三层MLP进行跨域适配获得样本数据特征，根据藏品样本x1和藏品样本x2的样本关系和预设分类标签计算分类损失，根据藏品样本x1的数据特征和藏品样本x2的数据特征计算特征损失，将藏品样本对的数据特征进行稀疏约束，获得编码损失，根据分类损失、特征损失、编码损失计算训练损失；
具体的，在特征提取模型的训练过程中，训练损失可采用下述损失函数进行计算：
其中，Lossmeta表示训练损失，[x1,x2]表示藏品样本x1和藏品样本x2的样本关系，yfake表示预设分类标签，CrossEntropy([x1,x2],yfake)是分类损失函数，即对藏品样本对的样本关系和预设分类标签yfake计算分类损失，xp1表示藏品样本x1的第p个特征单元，xp2表示藏品样本x2的第p个特征单元，PWCL(xp1,xp2)表示计算藏品样本x1和藏品样本x2第p个特征单元的距离，表示藏品样本x1和藏品样本x2所有特征单元的距离之和，也即是特征损失，f2表示适配后的样本数据特征，/>表示先对样本数据特征计算二范数，再对所求二范数求一范数，即针对样本数据特征进行稀疏约束；
通过该损失函数，当预设分类标签yfake取1，即藏品样本x1和藏品样本x2为同一类时，藏品样本x1和藏品样本x2第p个特征单元的距离尽可能的接近，即能够使特征空间中同一种藏品的特征在特征空间的距离最小化，当预设分类标签yfake取0，即藏品样本x1和藏品样本x2为不同类时，藏品样本x1和藏品样本x2第p个特征单元的距离尽可能的远离，即不同藏品的特征在特征空间的距离接近一个预设的极大值m；
在训练过程中，基于上述模型结构以及训练损失，利用SGD(Stochastic GradientDescent，随机梯度下降)梯度下降法对待训练特征提取器和待训练编码器进行参数调整，直至损失函数收敛后获得特征提取模型。
进一步，为了降低训练难度和提升训练效果，从真实世界的真实藏品出发，训练真实藏品的初始特征提取器，并将该初始特征提取器作为上述待训练特征提取器，同时，为了提升模型训练效果，从样本初始特征以及分类标签的维度引入损失计算，来对所述待训练特征提取器的训练过程进行约束，以此提升模型训练的准确率和效率；本实施例提供的一种可选实施方式中，所述待训练特征提取器，采用如下方式训练获得：
将真实世界的真实藏品样本对输入待训练的初始特征提取器中进行特征提取，获得样本初始特征；
根据所述真实藏品样本对的样本关系和分类标签计算第二分类损失，以及，根据所述样本初始特征计算第二特征损失；
根据所述第二分类损失和所述第二特征损失对所述初始特征提取器进行参数调整。
可选的，所述真实藏品样本对由两个真实藏品样本组成。
参见上述模型训练方式，重复上述训练过程对待训的初始特征提取器进行训练，以此在损失函数收敛之后获得所述特征提取器。
例如，待训练特征提取器采用ResNet50结构；在特征提取器的训练过程中，将由真实藏品样本x1和真实藏品样本x2组成的真实藏品样本对及其对应的分类标签输入ResNet50中进行特征提取，获得样本初始特征，该样本初始特征可以是512维向量，在特征提取过程中，具体是通过提取每个藏品样本的patch特征(patch-wise，分块特征)进行特征提取，根据真实藏品样本对的样本关系和分类标签计算分类损失，根据真实藏品样本对分别的patch特征计算特征损失，根据分类损失和特征损失以及模型结构，利用SGD梯度下降法，进行模型训练直至模型收敛，获得特征提取器。
具体的，在待训练特征提取器的训练过程中，训练损失可采用下述损失函数进行计算：
其中，Lossphy表示训练损失，[x1,x2]表示真实藏品样本x1和真实藏品样本x2的样本关系，y表示分类标签，CrossEntropy([x1,x2],y)是分类损失函数，即对真实藏品样本对的样本关系和分类标签y计算分类损失，xp1表示真实藏品样本x1的第p个特征单元，xp2表示真实藏品样本x2的第p个特征单元，PWCL(xp1,xp2)表示计算真实藏品样本x1和真实藏品样本x2第p个特征单元的距离，表示真实藏品样本x1和真实藏品样本x2所有特征单元的距离之和，也即是特征损失；
通过该损失函数，当预设分类标签y取1，即真实藏品样本x1和真实藏品样本x2为同一类时，真实藏品样本x1和真实藏品样本x2第p个特征单元的距离尽可能的接近，即能够使特征空间中同一种藏品的特征在特征空间的距离最小化，当预设分类标签y取0，即藏品样本x1和藏品样本x2为不同类时，真实藏品样本x1和真实藏品样本x2第p个特征单元的距离/>尽可能的远离，即不同藏品的特征在特征空间的距离接近一个预设的极大值m。在训练过程中，基于上述模型结构以及损失函数，利用SGD梯度下降法对待训练特征提取器进行参数调整，直至损失函数收敛后获得特征提取模型。
上述首先利用真实世界的真实藏品样本对的样本初始特征和预设分类标签对初始特征提取器进行训练获得第二分类损失和第二特征损失，根据第二分类损失和第二特征损失对所述初始特征提取器进行参数调整，其次利用样本数据特征，样本初始特征以及预设分类标签对由特征提取器和编码器组成的特征提取模型进行训练获得训练损失，并根据所述训练损失对特征提取模型进行参数调整，一方面提升模型训练的准确率，另一方面提高了模型训练效率。
步骤S104，将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布。
本实施例中第一特征分布是指藏品数据的特征分布中具有显著性的特征，即显著特征；第二特征分布是指能够表征显著性特征离散程度的特征，即特征离散度。
上述提取所述藏品数据特征之后，本步骤基于获得的藏品数据计算特征分布，其中，所述特征分布是通过将所述藏品数据特征输入特征分布模型进行特征分布计算获得的。
具体实施时，为了提升针对藏品特征进行特征分布计算的效率和准确率，可通过训练特征分布模型对藏品样本的样本特征进行特征分布计算，具体的，本实施例提供的一种可选实施方式中，所述特征分布模型，采用如下方式训练获得：
将基准样本输入待训练的神经网络模型进行特征分布计算，获得样本特征分布；
根据所述样本特征分布和所述基准样本的特征分布标签计算分布损失；
根据所述分布损失对所述神经网络模型进行参数调整。
例如，特征分布模型的模型结构为三层MLP；在特征分布模型的训练过程中，将藏品样本输入三层MLP中进行特征分布计算，也可以利用高斯分布估计获得样本特征分布，根据样本特征分布和藏品样本对应的特征分布标签利用欧氏距离损失函数进行分布损失计算，基于上述模型结构以及训练损失，利用SGD梯度下降法进行模型训练，直至损失函数收敛后获得特征分布模型。
进一步，本实施例提供的一种可选实施方式中，所述特征分布标签，采用如下方式确定：
对所述基准样本进行扰动处理，获得至少一个扰动样本；
将所述基准样本和所述至少一个扰动样本输入所述特征提取模型进行特征提取；
计算所述特征提取模型输出的所述基准样本的样本数据特征与所述至少一个扰动样本的样本数据特征的特征分布，作为所述特征分布标签。
可选的，所述基准样本包括数字藏品的藏品图像样本，以根据藏品图像样本进行所述基准样本的扰动处理。
本实施例提供的一种可选实施方式中，所述对所述基准样本进行扰动处理，获得至少一个扰动样本，包括：
对所述藏品图像样本进行显著性图谱预测，获得所述藏品图像样本的显著性图谱；
基于所述显著性图谱对所述藏品图像样本进行扰动处理，获得至少一个扰动显著性图谱。
具体实施过程中，本实施例提供的一种可选实施方式中，所述基于所述显著性图谱对所述藏品图像样本进行扰动处理，包括：
基于所述显著性图谱，确定所述藏品图像样本的图像单元中像素属性超出预设属性阈值的扰动图像单元；
对所述扰动图像单元进行扰动处理，获得所述至少一个扰动显著性图谱。
本实施例提供的一种可选实施方式中，所述计算所述特征提取模型输出的所述基准样本的样本数据特征与所述至少一个扰动样本的样本数据特征的特征分布，包括：
将所述基准样本的样本数据特征以及所述至少一个扰动样本的样本数据特征，输入分布算法进行分布计算，并将输出的显著特征和特征离散度作为所述特征分布。
沿用上例，在分布模型的训练过程中可用下述方式确定特征分布标签，将数字藏品的藏品图像样本输入已经训练好的显著性图谱预测模型进行显著性图谱预测，获得图像样本的显著性图谱，基于显著性图谱对藏品图像样本的图像单元中像素属性超出预设属性阈值的扰动图像单元进行扰动处理，扰动处理具体可以是高斯模糊、gamma变换、亮度调整和/或色度调整，还可以针对显著性图谱中像素值大于0.5的区域进行扰动处理，获得10个扰动样本，将藏品图像样本的样本数据和10个扰动样本的样本数据分别输入跨域自适应模型中，获得1个藏品数据特征以及10个样本数据特征，基于这11个数据特征进行高斯分布估计，将获得的均值向量u和方差值v作为特征分布。
步骤S106，计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度。
上述步骤获得所述特征分布的基础上，本步骤中，计算所述特征分布包含的第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度，也即是计算所述特征分布包含的显著特征与数字藏品库中认证藏品的显著特征的特征相似度，以此作为后续检测所述特征相似度是否处于所述认证藏品的相似度区间的依据。
具体实施时，所述数字藏品库中任意一个认证藏品，采用如下方式进行认证处理：
将待认证藏品的藏品数据输入特征提取模型进行特征提取，获得所述待认证藏品的藏品数据特征；
将所述待认证藏品的藏品数据特征输入特征分布模型进行特征分布计算，获得所述待认证藏品的第一特征分布和第二特征分布；
计算所述待认证藏品的第一特征分布与已认证藏品的第一特征分布的特征相似度；
在所述特征相似度处于对应的相似度区间的情况下，将所述待认证藏品作为认证藏品加入所述数字藏品库。
例如，将待认证的数字藏品的藏品数据输入特征提取模型中进行特征提取，得到样本数据特征，再将样本数据特征输入特征分布模型中进行特征分布计算，获得均值向量和方差值，计算均值向量与数字藏品库中已认证藏品的均值向量的特征相似度，若特征相似度处于对应的相似度区间，则将数字藏品判定为认证藏品并加入数字藏品库。
步骤S108，检测所述特征相似度是否处于所述认证藏品的相似度区间。
所述认证藏品的相似度区间，包括用于表征与当前的认证藏品在特征层面的相似度的区间，本实施例中，将与认证藏品特征相似度落入认证藏品的相似度区间的数字藏品，确定为认证藏品的侵权对象，反之，将与认证藏品特征相似度未落入认证藏品的相似度区间的数字藏品，确定为原创藏品并写入数字藏品库，可见，认证藏品的相似度区间，也即是用于表征认证藏品的侵权保护范围的区间。
本实施例中，为了保护藏品的原创性，还可基于相似度阈值和第二特征分布来确定相似度区间，可选的，所述相似度区间根据相似度阈值和第二特征分布确定；具体的，所述相似度区间，可根据所述相似度阈值与所述第二特征分布的平方根的差值确定。
例如，相似度区间为阈值与方差值的平方根至正无穷大的开区间，计算所述特征分布包含的显著特征与已认证藏品的显著特征的特征相似度，若所述相似度大于阈值与方差值的平方根的差值，则将所述数字藏品确定为所述认证藏品的侵权对象，否则，将所述数字藏品确定为原创藏品并加入数字藏品库。
具体实施时，检测所述特征相似度是否处于所述认证藏品的相似度区间，具体是从所述相似度阈值和第二特征分布的角度检测所述特征相似度是否处于所述认证藏品的相似度区间；
若是，执行下述步骤S110，将所述数字藏品确定为所述认证藏品的侵权对象；
若否，不做处理即可。此外，若所述检测所述特征相似度是否处于所述认证藏品的相似度区间步骤执行之后的执行结果为否，还可以确定所述数字藏品为原创藏品，并且将所述数字藏品写入所述数字藏品库。
进一步，在上述确定所述数字藏品为原创藏品，并且将所述数字藏品写入所述数字藏品库基础上，为了保护数字藏品的原创性，可选的，上述确定所述数字藏品为原创藏品，并且将所述数字藏品写入所述数字藏品库之后，计算所述数字藏品的非同质化标识，并将所述非同质化标识上传至区块链进行存储。
步骤S110，将所述数字藏品确定为所述认证藏品的侵权对象。
上述在检测所述特征相似度区间是否处于所述认证藏品的相似度区间步骤执行之后，在执行结果为是情况下，即落入认证藏品的侵权保护范围，则将所述数字藏品确定为所述认证藏品的侵权对象，以此保护认证藏品的原创性。
下述以本实施例提供的一种数字藏品的检测方法在虚拟世界场景的应用为例，结合图2，对本实施例提供的数字藏品的检测方法进行进一步说明，参见图2，应用于虚拟世界场景的数字藏品的检测方法，具体包括下述步骤。
步骤S202，将虚拟世界中待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征。
步骤S204，将藏品数据特征输入特征分布模型进行特征分布计算，获得均值向量和方差值。
步骤S206，计算均值向量与数字藏品库中认证藏品的均值向量的特征相似度。
步骤S208，检测特征相似度是否处于认证藏品的相似度区间；
若是，执行下述步骤S210；
若否，执行下述步骤S212至步骤S214。
步骤S210，将数字藏品确定为认证藏品的侵权对象。
步骤S212，确定数字藏品为原创藏品，并写入数字藏品库。
步骤S214，计算数字藏品的非同质化标识，并将非同质化标识上传至区块链进行存储。
本说明书提供的一种数字藏品的检测装置实施例如下：
在上述的实施例中，提供了一种数字藏品的检测方法，与之相对应的，还提供了一种数字藏品的检测装置，下面结合附图进行说明。
参照图3，其示出了本实施例提供的一种数字藏品的检测装置示意图。
由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种数字藏品的检测装置，包括：
特征提取模块302，被配置为将将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
特征分布计算模块304，被配置为将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
相似度计算模块306，被配置为计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
相似度检测模块308，被配置为检测所述特征相似度是否处于所述认证藏品的相似度区间，所述相似度区间根据相似度阈值和所述特征分布包含的第二特征分布计算确定；
侵权对象确定模块310，被配置为若是，将所述数字藏品确定为所述认证藏品的侵权对象。
本说明书提供的一种数字藏品的检测设备实施例如下：
对应上述描述的一种数字藏品的检测方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种数字藏品的检测设备，该数字藏品的检测设备用于执行上述提供的数字藏品的检测方法，图4为本说明书一个或多个实施例提供的一种数字藏品的检测设备的结构示意图。
本实施例提供的一种数字藏品的检测设备，包括：
如图4所示，数字藏品的检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括数字藏品的检测设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在数字藏品的检测设备上执行存储器402中的一系列计算机可执行指令。数字藏品的检测设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入/输出接口405，一个或一个以上键盘406等。
在一个具体的实施例中，数字藏品的检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数字藏品的检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
检测所述特征相似度是否处于所述认证藏品的相似度区间；所述相似度区间根据相似度阈值和所述第二特征分布确定；
若是，将所述数字藏品确定为所述认证藏品的侵权对象。
本说明书提供的一种存储介质实施例如下：
对应上述描述的一种数字藏品的检测方法，基于相同的技术构思，本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：
将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
检测所述特征相似度是否处于所述认证藏品的相似度区间；所述相似度区间根据相似度阈值和所述第二特征分布确定；
若是，将所述数字藏品确定为所述认证藏品的侵权对象。
需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于数字藏品的检测方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应方法的实施，重复之处不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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，在实施本说明书实施例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。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例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、作品、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，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。
本说明书中的各个实施例均采用递进的方式描述，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。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。
Claims (18)
1.一种数字藏品的检测方法，包括：
将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
检测所述特征相似度是否处于所述认证藏品的相似度区间；所述相似度区间根据相似度阈值和所述第二特征分布确定；
若是，将所述数字藏品确定为所述认证藏品的侵权对象。
2.根据权利要求1所述的数字藏品的检测方法，若所述检测所述特征相似度是否处于所述认证藏品的相似度区间步骤执行之后的执行结果为否，执行如下操作：
确定所述数字藏品为原创藏品，并且将所述数字藏品写入所述数字藏品库。
3.根据权利要求1所述的数字藏品的检测方法，所述特征提取模型，包括：特征提取器和编码器；
相应的，所述特征提取，包括：
将所述藏品数据输入所述特征提取器进行特征提取，获得初始特征；
将所述初始特征输入所述编码器进行编码，获得所述藏品数据特征。
4.根据权利要求3所述的数字藏品的检测方法，所述特征提取模型，采用如下方式训练获得：
将藏品样本对输入待训练特征提取器中进行特征提取，获得样本初始特征；所述藏品样本对由第一藏品样本和第二藏品样本组成；
将所述样本初始特征输入待训练编码器进行编码，获得样本数据特征；
根据所述藏品样本对的样本关系、所述样本数据特征、所述样本初始特征以及预设分类标签计算训练损失；
根据所述训练损失对所述待训练特征提取器和所述待训练编码器进行参数调整。
5.根据权利要求4所述的数字藏品的检测方法，所述根据所述藏品样本对的样本关系、所述样本数据特征、所述样本初始特征以及预设分类标签计算训练损失，包括：
根据所述藏品样本对的样本关系和预设分类标签计算第一分类损失，根据所述第一藏品样本的样本数据特征与所述第二藏品样本的样本数据特征计算第一特征损失；
根据所述藏品样本对的样本数据特征计算编码损失；
根据所述第一分类损失、所述第一特征损失以及所述编码损失计算训练损失。
6.根据权利要求4所述的数字藏品的检测方法，所述待训练特征提取器，采用如下方式训练获得：
将真实世界的真实藏品样本对输入待训练的初始特征提取器中进行特征提取，获得样本初始特征；所述真实藏品样本对由两个真实藏品样本组成；
根据所述真实藏品样本对的样本关系和分类标签计算第二分类损失，以及，根据所述样本初始特征计算第二特征损失；
根据所述第二分类损失和所述第二特征损失对所述初始特征提取器进行参数调整。
7.根据权利要求1所述的数字藏品的检测方法，所述特征分布模型，采用如下方式训练获得：
将基准样本输入待训练的神经网络模型进行特征分布计算，获得样本特征分布；
根据所述样本特征分布和所述基准样本的特征分布标签计算分布损失；
根据所述分布损失对所述神经网络模型进行参数调整。
8.根据权利要求7所述的数字藏品的检测方法，所述特征分布标签，采用如下方式确定：
对所述基准样本进行扰动处理，获得至少一个扰动样本；
将所述基准样本和所述至少一个扰动样本输入所述特征提取模型进行特征提取；
计算所述特征提取模型输出的所述基准样本的样本数据特征与所述至少一个扰动样本的样本数据特征的特征分布，作为所述特征分布标签。
9.根据权利要求8所述的数字藏品的检测方法，所述基准样本包括数字藏品的藏品图像样本；
相应的，所述对所述基准样本进行扰动处理，获得至少一个扰动样本，包括：
对所述藏品图像样本进行显著性图谱预测，获得所述藏品图像样本的显著性图谱；
基于所述显著性图谱对所述藏品图像样本进行扰动处理，获得至少一个扰动显著性图谱。
10.根据权利要求9所述的数字藏品的检测方法，所述基于所述显著性图谱对所述藏品图像样本进行扰动处理，包括：
基于所述显著性图谱，确定所述藏品图像样本的图像单元中像素属性超出预设属性阈值的扰动图像单元；
对所述扰动图像单元进行扰动处理，获得所述至少一个扰动显著性图谱。
11.根据权利要求8所述的数字藏品的检测方法，所述计算所述特征提取模型输出的所述基准样本的样本数据特征与所述至少一个扰动样本的样本数据特征的特征分布，包括：
将所述基准样本的样本数据特征以及所述至少一个扰动样本的样本数据特征，输入分布算法进行分布计算，并将输出的显著特征和特征离散度作为所述特征分布。
12.根据权利要求1所述的数字藏品的检测方法，所述数字藏品库中任意一个认证藏品，采用如下方式进行认证处理：
将待认证藏品的藏品数据输入特征提取模型进行特征提取，获得所述待认证藏品的藏品数据特征；
将所述待认证藏品的藏品数据特征输入特征分布模型进行特征分布计算，获得所述待认证藏品的第一特征分布和第二特征分布；
计算所述待认证藏品的第一特征分布与已认证藏品的第一特征分布的特征相似度；
在所述特征相似度处于对应的相似度区间的情况下，将所述待认证藏品作为认证藏品加入所述数字藏品库。
13.根据权利要求12所述的数字藏品的检测方法，所述相似度区间，采用如下方式确定：
根据所述相似度阈值与所述第二特征分布的平方根的差值确定所述相似度区间。
14.根据权利要求2所述的数字藏品的检测方法，所述确定所述数字藏品为原创藏品，并且将所述数字藏品写入所述数字藏品库之后，还包括：
计算所述数字藏品的非同质化标识，并将所述非同质化标识上传至区块链进行存储。
15.根据权利要求14所述的数字藏品的检测方法，所述数字藏品，包括虚拟世界中的虚拟数字藏品。
16.一种数字藏品的检测装置，包括：
特征提取模块，被配置为将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
特征分布计算模块，被配置为将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
相似度计算模块，被配置为计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
相似度检测模块，被配置为检测所述特征相似度是否处于所述认证藏品的相似度区间；所述相似度区间根据相似度阈值和所述第二特征分布确定；
若是，运行侵权对象确定模块；所述侵权对象确定模块，被配置为将所述数字藏品确定为所述认证藏品的侵权对象。
17.一种数字藏品的检测设备，包括：
处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：
将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
检测所述特征相似度是否处于所述认证藏品的相似度区间；所述相似度区间根据相似度阈值和所述第二特征分布确定；
若是，将所述数字藏品确定为所述认证藏品的侵权对象。
18.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：
将待检测的数字藏品的藏品数据输入特征提取模型进行特征提取，获得藏品数据特征；
将所述藏品数据特征输入特征分布模型进行特征分布计算，获得第一特征分布和第二特征分布；
计算所述第一特征分布与数字藏品库中认证藏品的第一特征分布的特征相似度；
检测所述特征相似度是否处于所述认证藏品的相似度区间；所述相似度区间根据相似度阈值和所述第二特征分布确定；
若是，将所述数字藏品确定为所述认证藏品的侵权对象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211260618.2A CN115905913B (zh) | 2022-10-14 | 2022-10-14 | 数字藏品的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211260618.2A CN115905913B (zh) | 2022-10-14 | 2022-10-14 | 数字藏品的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115905913A CN115905913A (zh) | 2023-04-04 |
| CN115905913B true CN115905913B (zh) | 2024-03-12 |
Family
ID=86494063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211260618.2A Active CN115905913B (zh) | 2022-10-14 | 2022-10-14 | 数字藏品的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115905913B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986097A (zh) * | 2018-08-23 | 2018-12-11 | 上海小萌科技有限公司 | 一种镜头起雾状态检测方法、计算机装置及可读存储介质 |
| CN110851761A (zh) * | 2020-01-15 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 基于区块链的侵权检测方法、装置、设备及存储介质 |
| CN112016402A (zh) * | 2020-08-04 | 2020-12-01 | 杰创智能科技股份有限公司 | 基于无监督学习的行人重识别领域自适应方法及装置 |
| CN113902131A (zh) * | 2021-12-06 | 2022-01-07 | 中国科学院自动化研究所 | 抵抗联邦学习中歧视传播的节点模型的更新方法 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114359590A (zh) * | 2021-12-06 | 2022-04-15 | 支付宝(杭州)信息技术有限公司 | Nft图像作品侵权检测方法、装置、及计算机存储介质 |
-
2022
- 2022-10-14 CN CN202211260618.2A patent/CN115905913B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986097A (zh) * | 2018-08-23 | 2018-12-11 | 上海小萌科技有限公司 | 一种镜头起雾状态检测方法、计算机装置及可读存储介质 |
| CN110851761A (zh) * | 2020-01-15 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 基于区块链的侵权检测方法、装置、设备及存储介质 |
| CN112016402A (zh) * | 2020-08-04 | 2020-12-01 | 杰创智能科技股份有限公司 | 基于无监督学习的行人重识别领域自适应方法及装置 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN113902131A (zh) * | 2021-12-06 | 2022-01-07 | 中国科学院自动化研究所 | 抵抗联邦学习中歧视传播的节点模型的更新方法 |
| CN114359590A (zh) * | 2021-12-06 | 2022-04-15 | 支付宝(杭州)信息技术有限公司 | Nft图像作品侵权检测方法、装置、及计算机存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Efficient Hashing Method Using 2D-2D PCA for Image Copy Detection;Xiaoping Liang et al.;IEEE Transactions on Knowledge and Data Engineering;20211231;第1-13页 * |
| On the implementation of a copyright protection scheme using digital image watermarking;Subhrajit Sinha Roy et al.;Multimedia Tools and Applications;20200127;第13125–13138页 * |
| 基于图相似度的专利侵权检测方法研究;翟东升 等;图书情报工作;20180331;第62卷(第5期);第97-105页 * |
| 基于特征分离的跨域自适应学习模型;李鑫 等;计算机研究与发展;20210323;第105-117页 * |
| 基于直方图均衡化的景象匹配导航方法研究;王涛;岳亚洲;;电光与控制;20110701(第07期);第32-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115905913A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115359219B (zh) | 虚拟世界的虚拟形象处理方法及装置 | |
| CN111428805B (zh) | 显著性物体的检测方法、模型、存储介质及电子设备 | |
| CN111598108A (zh) | 基于立体注意力控制的多尺度神经网络的快速显著性物体检测方法 | |
| CN110705622A (zh) | 一种决策方法、系统以及电子设备 | |
| CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
| CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
| CN115905913B (zh) | 数字藏品的检测方法及装置 | |
| CN116824339A (zh) | 图像处理方法及装置 | |
| CN115147227B (zh) | 一种交易风险的检测方法、装置及设备 | |
| CN115358777A (zh) | 虚拟世界的广告投放处理方法及装置 | |
| CN113569873B (zh) | 一种图像的处理方法、装置及设备 | |
| CN116824291A (zh) | 一种遥感图像学习方法、装置以及设备 | |
| CN116246276A (zh) | 一种信息识别方法、装置、设备及可读存储介质 | |
| CN112785601B (zh) | 一种图像分割方法、系统、介质及电子终端 | |
| CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
| CN115495712B (zh) | 数字作品处理方法及装置 | |
| CN109325127A (zh) | 一种风险识别方法和装置 | |
| CN115953559B (zh) | 虚拟对象处理方法及装置 | |
| CN116484856B (zh) | 一种文本的关键词提取方法、装置、电子设备及存储介质 | |
| CN118154947A (zh) | 一种风险图像拦截方法、装置、存储介质及电子设备 | |
| Kubanek et al. | Detection of Artificial Images and Changes in Real Images Using Convolutional Neural Networks | |
| CN117576790A (zh) | 一种生物攻击检测方法、装置及设备 | |
| CN117612269A (zh) | 一种生物攻击检测方法、装置及设备 | |
| CN118015441A (zh) | 一种篡改检测方法、装置、存储介质及电子设备 | |
| CN116935176A (zh) | 图像处理方法及装置 |
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 |