CN107463879A - 基于深度学习的人体行为识别方法 - Google Patents
基于深度学习的人体行为识别方法 Download PDFInfo
- Publication number
- CN107463879A CN107463879A CN201710544873.2A CN201710544873A CN107463879A CN 107463879 A CN107463879 A CN 107463879A CN 201710544873 A CN201710544873 A CN 201710544873A CN 107463879 A CN107463879 A CN 107463879A
- Authority
- CN
- China
- Prior art keywords
- sample
- mrow
- msub
- track
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及captcha领域，特别涉及基于深度学习的人体行为识别方法，本发明方法采用包含LSTM的神经网络来实现当前页面操作主体的判断，在构建机器行为样本以人体行为样本为基础，采用了4种生成方式，包括随机生成，将正样本轨迹进行随机切分成若干子段再将切分后的子段进行随机拼接，在正样本的基础上进行轨迹参数的比例缩放，扰动等；这样的负样本产生方式为正样本为基础，与正样本具有更高的相似性，混淆性更强，训练样本训练出来的神经网络具有更高的分辩能力。本方法首次实现以LSTM网络为基础的当前页面操作主体的识别，本发明方法特别适合在拖动图形实现操作主体的验证，对操作主体进行判断的业务场景。
Description
技术领域
本发明涉及captcha领域，特别涉及基于深度学习的人体行为识别方法。
背景技术
现今网络技术越来越发达，网络应用越来越多，像各种网站、电子邮件、博客、电子政务网站等已成为大家日常生活的必需品。然而伴随着快速发展的互联网，网络安全也成为一个日益凸显的问题。特别是恶意程序自动注册和登录、恶意灌水、用特定程序暴力破解帐户和密码等网络安全攻击。为避免这些发生就需要识别出当前注册或访问该网页的是人还是程序。最常见的captcha(Completely Automated Public Turing Test to TellComputers and Humans Apart全自动区分计算机和人类的图灵测试的简称)，是在1997年被Mark D.Lillibridge等人发明。目前因其巨大的意义，被广泛的应用于各个网站。同时很多学术机构和商业公司也在对其进行研究。
目前常见的captcha有基于计算机视觉的，包括字符识别和物体识别。这些识别问题对于人往往比较简单，但对于计算机却比较难，从而区分出是人还是程序。还有基于人体行为的，包括敲击键盘和移动鼠标。人体的这些行为具备一定的特征规律，可以通过这些特征来区分操作计算机的是人还是程序。随着深度学习的发展，计算机视觉也产生飞跃式的进步，无论是字符识别还是物体识别，计算机的识别准确率越来越高。导致之前最常见的基于计算机视觉的captcha的防御能力逐渐下降。而基于人体行为的captcha开始出现。采用基于人体行为的captcha网络安全防御手段开始得到广泛的应用，在应用这类手段进行网络防护时，首先就需要具备人体行为或机器行为的识别能力，然而基于传统的机器学习方法先对人体行为提取特征再分类的判断准确率并不高。因为人体行为的一些特征是深层次特征，通过人为制定的规则很难提取出这种特征。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足，提供基于深度学习的人体行为识别方法，在人体行为的基础上进行演变进而生成大量的机器行为训练样本，使得机器行为训练样本的与人体行为的相似度更高，训练样本的覆盖方式更全面。通过海量的人体行为和机器行为两方面的训练样本来训练包含LSTM(Long Short-Term Memory)的神经网络模型；并通过训练好的神经网络模型判断新输入行为是否是人体行为。所述方法特别适用于以拖动图形来实现验证的验证码识别体系中的操作主体的判断的应用场景。
为了实现上述发明目的，本基于深度学习的人体行为识别方法，使用人体行为和机器生产的鼠标拖拽运动轨迹训练样本来训练包含LSTM网络的神经网络模型，并使用训练后的神经网络模型来判断当前页面的操作主体是否为人体行为。
所述方法包括以下实现步骤：
(1)构建包含LSTM网络的神经网络模型；
(2)获取海量人体行为样本和机器行为的样本，所述机器行为样本在人体行为样本的基础上生成，人体行为样本作为正样本，机器行为样本作为负样本；
(3)使用正、负样本来训练构建好的神经网络模型；
(4)通过训练好的神经网络模型来判断所当前页面的操作主体是人还是机器。
具体的，所述步骤(2)中，使用鼠标轨迹信息的一阶差值(dxi，dyi，dti)来描述操作行为，其中dxi＝xi-xi-1，dyi＝yi-yi-1，dti＝ti-ti-1；其中xi为鼠标的在屏幕位置的横坐标，yi为鼠标在屏幕位置的纵坐标，ti为时刻信息。
训练的正样本来自人在浏览网页时所记录到的鼠标运动轨迹信息。
进一步的，所述步骤(2)中，负样本由机器生成，生成的方式如下：
a、在设置的最大取值范围内，随机产生轨迹长度，随机生成(dxi，dyi，dti)；
b、在正样本集中抽取N条轨迹，将抽取到的轨迹随机分割成n个子段，再将分割成的子段随机组拼接成新的轨迹；
c、在正样本集中抽取M条轨迹；计算出各轨迹的横向移动总距离sum(dxi)、纵向移动总距离sum(dyi)、和移动总时间sum(dti)；随机生成横向移动总距离sum(dxi)’，纵向移动总距离sum(dyi)’和移动总时间sum(dti)’，使用以下公式生成新的运动轨迹的描述参数：
其中dxi′、dyi′、dti′分别为新轨迹的横向坐标、纵向坐标、时间的一阶差值；
d、在正样本中抽取K条轨迹；对dxi，dyi，dti分别随机产生[-0.5，0.5]倍的扰动，获得新的运动轨迹的描述参数；
将a、b、c、d方式所生成的样本进行混合，作为负样本集。
进一步的，所述步骤(3)中，所述神经网络模型的训练过程中，信号的向前传输过程如下：
将训练样本的(dxi，dyi，dti)信号输入embedding层，由embedding层将dxi，dyi，dti分别转化成对应的m维向量，并将dxi，dyi，dti对应的m维向量拼接成一个3m维的向量；将向量依运动轨迹的时序输入隐含层纬度设置为3m维的LSTM神经网络中，由LSTM神经网络输出3m*L的向量到全连接层中，并通过softmax层输出该条轨迹是否是人体行为的判断结果；其中L为设置的轨迹长度。
进一步的，在进行神经网络模型训练前，包括对数据进行优化处理的过程：所述处理包括：
在所述步骤(2)中，使用前100个(xi，yi，ti)来作为鼠标运动轨迹的描述参数；当鼠标移动距离较短，运动信息不够100个时，用(0，0，0)补齐至100个；即L＝100。
所述步骤(2)中，将dxi，dyi的取值转化为[-50，50]之间的整数，将dti的取值转换为(0，200]之间的整数，当实际值超出设置的取值范围时，使用边界值来代替。
进一步的，所述正样本集中所包含的样本数量不少于5000条，在正样本集中选择80％的样本作为训练样本，选择20％的样本作为测试样本。
进一步的，所述负样本集中所包含的样本数量不少于5000条，在负样本集中选择80％的样本作为训练样本，选择20％的样本作为测试样本。
与现有技术相比，本发明的有益效果：本发明提供基于深度学习的人体行为识别方法，本发明方法采用包含LSTM的神经网络来实现当前页面操作主体的判断，本发明方法在构建机器行为样本时以人体行为样本为基础，采用了4种生成方式，包括随机生成，将正样本轨迹进行随机切分成若干子段再将切分后的子段进行随机拼接，在正样本的基础上进行轨迹参数的比例缩放，扰动等；这样的负样本产生方式，为正样本为基础，与正样本具有更高的相似性，混淆性更强，使用这样的训练样本训练出来的神经网络具有更高的分辩能力。本发明方法首次实现以LSTM网络为基础的当前页面操作主体的识别，LSTM网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，本发明方法特别适合在拖动图形实现操作主体的验证，对操作主体进行判断的业务场景。
附图说明：
图1为本基于深度学习的人体行为识别方法的实现步骤示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
本发明的目的在于克服现有技术中所存在的上述不足，提供基于深度学习的人体行为识别方法，使用人体行为和机器生产的鼠标拖拽运动轨迹训练样本来训练包含LSTM网络的神经网络模型，并使用训练后的神经网络模型来判断当前页面的操作主体是否为人体行为。
所述方法包括如图1所示的以下实现步骤：
(1)构建包含LSTM网络的神经网络模型；所述神经网络模型包含：embedding层、LSTM、全连接层和softmax层。其中embedding层将输入其中的离散的信号转化成连续的实数向量，将经过embedding层转化后的向量依时序输入到LSTM中，经过LSTM将描述操作行为的数个时序向量拼接成一个高维向量后输入到全连接层中，并将经过全连接层降维后的向量输入到softmax层中；本发明方法采用的LSTM神经网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM区别于RNN的地方，主要在于算法中加入了一个判断信息有用与否的”处理器”，这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。当一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘，在信息时处理时更体现选择性，处理效率更高，解决了RNN神经网络不能很好实现的长序列依赖问题。
(2)获取海量人体行为样本和机器行为的样本，人体行为样本作为正样本，机器行为样本作为负样本；所述正样本集中所包含的样本数量不少于5000条，在正样本集中选择80％的样本作为训练样本，选择20％的样本作为测试样本。所述负样本集中所包含的样本数量不少于5000条，在负样本集中选择80％的样本作为训练样本，选择20％的样本作为测试样本。
(3)使用正、负样本来训练构建好的神经网络模型；神经网络模型的训练采用向前向后算法。当在测试样本集上的准确率达到设置的阈值之后，就可以认为神经网络模型的训练完成。
(4)通过训练好的神经网络模型来判断所当前页面的操作主体是人还是机器。
具体的，所述步骤(2)中，使用鼠标运动轨迹信息的一阶差值(dxi，dyi，dti)来描述操作行为，其中dxi＝xi-xi-1，dyi＝yi-yi-1，dti＝ti-ti-1；其中xi为鼠标的在屏幕位置的横坐标，yi为鼠标在屏幕位置的纵坐标，ti为时刻信息。训练的正样本来自人在浏览网页时所记录到的鼠标运动轨迹信息。鼠标运动轨迹可通过信息通过网络前端函数很方便的采集到，通过该函数可在鼠标进行拖动的过程中，返回鼠标光标在屏幕中的位置和时刻信息，可以(x1，y1，t1)、(x2，y2，t2)、(x3，y3，t3)…(xn，yn，tn)的形式返回，本发明采用鼠标运动轨迹信息的一阶差值(dxi，dyi，dti)来描述对应的操作行为，能够反映鼠标在移动过程中的鼠标在对应的每个小时段内，在横向的移动速度，和纵向移动速度，以及移动横向位移和纵向位移情况，体现操作者进行操作时的细微特征。
在进行神经网络训练时，需要海量的训练样本，人体行为训练样本如果采用手动专门进行采集的话，将耗费大量的人力，而现有阶段中通过在web端设置图片验证来采集人体行为，志愿人员在登录或者浏览网页时，拖动这些验证码实现验证，这样快速累积样本资源，提高运行效率。
进一步的，所述步骤(2)中，负样本由机器生成，生成的方式如下：
a、在设置的最大取值范围内，随机产生轨迹长度，随机生成(dxi，dyi，dti)；
b、在正样本中抽取N条轨迹，比如2000条，将抽取到的轨迹随机分割成n个(比如3-10个)子段，再将分割后形成的数千个子段随机组拼接成新的轨迹；
c、在正样本中抽取M条轨迹；计算出轨迹的横向移动总距离sum(dxi)、纵向移动总距离sum(dyi)、和移动总时间sum(dti)；随机生成横向移动总距离sum(dxi)’，纵向移动总距离sum(dyi)’和移动总时间sum(dti)’，使用以下公式生成新的运动轨迹的描述参数：
其中dxi′、dyi′、dti′分别为新轨迹的横向坐标、纵向坐标、时间的一阶差值；
d、在正样本中抽取K条轨迹；对dxi，dyi，dti分别随机产生[-0.5，0.5]倍的扰动，获得新的运动轨迹的描述参数；
本发明方法所采用a、b、c、d方式生成的负样本，充分结合正样本特征，相比于直接随机生成的样本，具有对人体行为更高的模拟程度，因此通过这样的负样本训练出来的神经网络具有更高的辨识能力。
将a、b、c、d方式所生成的样本各选择2500条，组成负样本集。相对于单一方式所产生的付样本，负样本集中包含4种方式所生成的样本，使得负样本集具有较大的覆盖范围。
进一步的，在进行神经网络模型训练前，包括对数据进行优化处理的过程：所述处理包括：
在所述步骤(2)中，使用前100个(xi，yi，ti)来作为鼠标运动轨迹的描述参数；当鼠标移动距离较短，运动信息不够100个时，用(0，0，0)补齐至100个。人工拖动的每条轨迹的长度可能不同，鼠标的运动轨迹信息(x1，y1，t1)、(x2，y2，t2)、(x3，y3，t3)…(xn，yn，tn)，中n可能大于或者＜100，将用于训练和分类的轨迹设置为统一长度，满足神经网络参数设置的需要。每条轨迹的形式为[(dx1，dy1，dt1)，(dx2，dy2，dt2)，…，(dx100，dy100，dt100)]，如果轨迹长度不够100，则用0填充，即[(dx1，dy1，dt1)，(dx2，dy2，dt2)，…，(0，0，0)]。
为了便于分析将dxi，dyi的取值转化为[-49，50]之间的整数，将dti的取值转换为(0，200]之间的整数，当实际值超出设置的取值范围时，使用边界值来代替，将dxi，dyi，dti的取值转为成整数是为了方便计算，比如说(dxi，dyi，dti)的实际值为(60.0，-75.3，300.3)，经过整数处理和取值范围限定后的数值变化为(50，-50，200)。
进一步的，所述步骤(3)中，所述神经网络模型的训练过程中，信号的向前传输过程如下：将训练样本的(dxi，dyi，dti)信号输入embedding层，将离散的(dx，dy，dt)通过embedding转成连续的实数向量。实现过程为：将dx＝dx+50，dy＝dy+50，把dx和dy的范围平移到[1，100]，embedding的过程是先把dx，dy，dt分别转成101维的one-hot向量，再分别乘以[101，10]的lookup_table矩阵，将dx，dy，dt分别embedding成10维的向量，再将这三个向量拼接得到30维向量作为lstm的输入。
将30维的向量依时序输入隐含层维度设置为30维的LSTM神经网络中，由LSTM神经网络输出3000维的该条运动轨迹的表示向量到全连接层中，并通过softmax层输出该条轨迹是否是人体行为的判断结果。
神经网络的训练过程采用经典的前后向算法，判断结果与训练样本的标记结果有偏差时，信号根据损失函数向后传播，逐层调节权重系数。
本发明方法使用交叉熵损失作为损失函数。使用随机梯度下降法对损失函数进行优化。最终模型在验证样本集上分类准确率达到95％。
Claims (10)
1.基于深度学习的人体行为识别方法，其特征在于，使用人体行为和机器行为所生产的鼠标运动轨迹训练样本来训练包含LSTM网络的神经网络模型，并使用训练后的神经网络模型来判断当前页面的操作主体是否为人体行为。
2.如权利要求1所述的方法，其特征在于，包含以下实现步骤：
(1)构建包含LSTM网络的神经网络模型；
(2)获取海量人体行为样本和机器行为样本，其中机器行为样本以人体行为样本为生成基础；人体行为样本作为正样本，机器行为样本作为负样本；
(3)使用正、负样本来训练构建好的所述神经网络模型；
(4)通过训练好的所述神经网络模型来判断当前页面的操作主体是人还是机器。
3.如权利要求1所述的方法，其特征在于，所述步骤(2)中，使用鼠标轨迹信息的一阶差值(dxi，dyi，dti)来描述操作行为，其中dxi＝xi-xi-1，dyi＝yi-yi-1，dti＝ti-ti-1，xi为鼠标的在屏幕位置的横坐标值，yi为鼠标在屏幕位置的纵坐标值，ti为时刻信息。
4.如权利要求3所述的方法，其特征在于，所述步骤(2)中，负样本由机器生成，生成的方式如下：
a、在设置的最大取值范围内，随机产生轨迹长度，随机生成(dxi，dyi，dti)；
b、在正样本集中抽取N条轨迹，将抽取到的轨迹随机分割成n个子段，将分割成的子段随机组拼接成新的轨迹；
c、在正样本中抽取M条轨迹；计算出对应轨迹的横向移动总距离sum(dxi)、纵向移动总距离sum(dyi)和移动总时间sum(dti)；随机生成横向移动总距离sum(dxi)’，纵向移动总距离sum(dyi)’和移动总时间sum(dti)’，使用以下公式生成新的运动轨迹的描述参数(dx′i，dy′i，dti′)：
<mrow>
<msup>
<msub>
<mi>dx</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msub>
<mi>dx</mi>
<mi>i</mi>
</msub>
<mfrac>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>dx</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>dx</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msup>
<msub>
<mi>dy</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msub>
<mi>dy</mi>
<mi>i</mi>
</msub>
<mfrac>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>dy</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>dy</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msup>
<msub>
<mi>dt</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msub>
<mi>dt</mi>
<mi>i</mi>
</msub>
<mfrac>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>dt</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>dxt</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
d、在正样本中抽取K条轨迹；在对应轨迹的dxi，dyi，dti基础上分别随机产生[-0.5，0.5]倍的扰动，获得新的运动轨迹的描述参数。
5.如权利要求4所述的方法，其特征在于，所述步骤(1)中所采用的神经网络包含以下结构：embedding层、LSTM、全连接层和softmax层。
6.如权利要求5所述的方法，其特征在于，所述步骤(3)中，所述神经网络模型的训练或预测中，信号的向前传输过程如下：
将训练样本的(dxi，dyi，dti)信号输入embedding层，由所述embedding层将dxi、dyi、dti分别转化成对应的m维的向量，并将dxi、dyi、dti对应的m维向量拼接成一个3m维的向量；将该3m维的向量依时序输入LSTM神经网络中，由LSTM神经网络输出3m*L维的该条轨迹的表示向量到全连接层中，并通过softmax层输出该条轨迹是否是人体行为的判断结果。
7.如权利要求6所述的方法，其特征在于，在所述步骤(2)中，使用前100个(xi，yi，ti)来作为鼠标运动轨迹的描述参数；当鼠标移动距离较短，轨迹信息不够100个时，用(0，0，0)补齐至100个。
8.如权利要求7所述的方法，其特征在于，所述步骤(2)中，将dxi，dyi的取值转化为[-49，50]之间的整数，将dti的取值转换为(0，200]之间的整数。
9.如权利要求8所述的方法，其特征在于，所述正样本集中所包含的样本数量不少于5000条，在正样本集中选择80％的样本作为训练样本，选择20％的样本作为测试样本。
10.如权利要求9所述的方法，其特征在于，所述负样本集中所包含的样本数量不少于5000条，在负样本集中选择80％的样本作为训练样本，选择20％的样本作为测试样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710544873.2A CN107463879A (zh) | 2017-07-05 | 2017-07-05 | 基于深度学习的人体行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710544873.2A CN107463879A (zh) | 2017-07-05 | 2017-07-05 | 基于深度学习的人体行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107463879A true CN107463879A (zh) | 2017-12-12 |
Family
ID=60546071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710544873.2A Pending CN107463879A (zh) | 2017-07-05 | 2017-07-05 | 基于深度学习的人体行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107463879A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647518A (zh) * | 2018-03-16 | 2018-10-12 | 广东工业大学 | 一种基于深度学***台恶意软件检测方法 |
| CN109063456A (zh) * | 2018-08-02 | 2018-12-21 | 浙江大学 | 图像型验证码的安全性检测方法及*** |
| CN109522454A (zh) * | 2018-11-20 | 2019-03-26 | 四川长虹电器股份有限公司 | 自动生成web样本数据的方法 |
| CN109756494A (zh) * | 2018-12-29 | 2019-05-14 | ***股份有限公司 | 一种负样本变换方法及装置 |
| WO2019158015A1 (zh) * | 2018-02-13 | 2019-08-22 | 京东方科技集团股份有限公司 | 样本获取方法、目标检测模型生成方法、目标检测方法 |
| CN110472251A (zh) * | 2018-05-10 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
| CN115630365A (zh) * | 2022-10-27 | 2023-01-20 | 云景技术有限公司 | 一种基于深度学习的验证码恶意输入检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040009479A1 (en) * | 2001-06-08 | 2004-01-15 | Jay Wohlgemuth | Methods and compositions for diagnosing or monitoring auto immune and chronic inflammatory diseases |
| CN101923433A (zh) * | 2010-08-17 | 2010-12-22 | 北京航空航天大学 | 一种基于手影识别的人机交互方式 |
| CN103809894A (zh) * | 2012-11-15 | 2014-05-21 | 华为终端有限公司 | 一种手势的识别方法及电子设备 |
| CN106155298A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 人机识别方法及装置、行为特征数据的采集方法及装置 |
| CN106407889A (zh) * | 2016-08-26 | 2017-02-15 | 上海交通大学 | 基于光流图深度学习模型在视频中人体交互动作识别方法 |
| CN106845351A (zh) * | 2016-05-13 | 2017-06-13 | 苏州大学 | 一种用于视频的基于双向长短时记忆单元的行为识别方法 |
-
2017
- 2017-07-05 CN CN201710544873.2A patent/CN107463879A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040009479A1 (en) * | 2001-06-08 | 2004-01-15 | Jay Wohlgemuth | Methods and compositions for diagnosing or monitoring auto immune and chronic inflammatory diseases |
| CN101923433A (zh) * | 2010-08-17 | 2010-12-22 | 北京航空航天大学 | 一种基于手影识别的人机交互方式 |
| CN103809894A (zh) * | 2012-11-15 | 2014-05-21 | 华为终端有限公司 | 一种手势的识别方法及电子设备 |
| CN106155298A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 人机识别方法及装置、行为特征数据的采集方法及装置 |
| CN106845351A (zh) * | 2016-05-13 | 2017-06-13 | 苏州大学 | 一种用于视频的基于双向长短时记忆单元的行为识别方法 |
| CN106407889A (zh) * | 2016-08-26 | 2017-02-15 | 上海交通大学 | 基于光流图深度学习模型在视频中人体交互动作识别方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019158015A1 (zh) * | 2018-02-13 | 2019-08-22 | 京东方科技集团股份有限公司 | 样本获取方法、目标检测模型生成方法、目标检测方法 |
| US11238296B2 (en) | 2018-02-13 | 2022-02-01 | Boe Technology Group Co., Ltd. | Sample acquisition method, target detection model generation method, target detection method, computing device and computer readable medium |
| CN108647518A (zh) * | 2018-03-16 | 2018-10-12 | 广东工业大学 | 一种基于深度学***台恶意软件检测方法 |
| CN110472251A (zh) * | 2018-05-10 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
| CN110472251B (zh) * | 2018-05-10 | 2023-05-30 | 腾讯科技（深圳）有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
| CN109063456A (zh) * | 2018-08-02 | 2018-12-21 | 浙江大学 | 图像型验证码的安全性检测方法及*** |
| CN109063456B (zh) * | 2018-08-02 | 2021-10-08 | 浙江大学 | 图像型验证码的安全性检测方法及*** |
| CN109522454A (zh) * | 2018-11-20 | 2019-03-26 | 四川长虹电器股份有限公司 | 自动生成web样本数据的方法 |
| CN109522454B (zh) * | 2018-11-20 | 2022-06-03 | 四川长虹电器股份有限公司 | 自动生成web样本数据的方法 |
| CN109756494A (zh) * | 2018-12-29 | 2019-05-14 | ***股份有限公司 | 一种负样本变换方法及装置 |
| CN109756494B (zh) * | 2018-12-29 | 2021-04-16 | ***股份有限公司 | 一种负样本变换方法及装置 |
| CN115630365A (zh) * | 2022-10-27 | 2023-01-20 | 云景技术有限公司 | 一种基于深度学习的验证码恶意输入检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463878A (zh) | 基于深度学习的人体行为识别*** | |
| CN107463879A (zh) | 基于深度学习的人体行为识别方法 | |
| CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
| CN108416198A (zh) | 人机识别模型的建立装置、方法及计算机可读存储介质 | |
| CN108664893A (zh) | 一种人脸检测方法及存储介质 | |
| CN103927550B (zh) | 一种手写体数字识别方法及*** | |
| CN111709244B (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
| CN110889450B (zh) | 超参数调优、模型构建方法和装置 | |
| CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
| CN110781406A (zh) | 一种基于变分自动编码器的社交网络用户多属性推断方法 | |
| CN106777402A (zh) | 一种基于稀疏神经网络的图像检索文本方法 | |
| CN108549817A (zh) | 一种基于文本深度学习的软件安全漏洞预测方法 | |
| Ahmed et al. | Discovering diverse, high quality design ideas from a large corpus | |
| WO2020101128A1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측방법 | |
| CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| CN106778851A (zh) | 基于手机取证数据的社交关系预测***及其方法 | |
| CN106354852A (zh) | 基于人工智能的搜索方法及装置 | |
| CN112417267A (zh) | 一种用户行为分析方法、装置、计算机设备及存储介质 | |
| CN110532372A (zh) | 一种基于神经协同过滤挖掘深层特征的文本对象精准推送方法 | |
| CN110070131A (zh) | 一种面向数据驱动建模的主动学习方法 | |
| CN110399690B (zh) | 地铁车站行人仿真方法、装置、电子设备及存储介质 | |
| CN109325125A (zh) | 一种基于cnn优化的社交网络谣言方法 | |
| CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
| CN104731937A (zh) | 用户行为数据的处理方法及装置 | |
| CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171212 |
|
| WD01 | Invention patent application deemed withdrawn after publication |