CN109872279A - 一种基于神经网络的智能云平台人脸识别并局部加密方法 - Google Patents
一种基于神经网络的智能云平台人脸识别并局部加密方法 Download PDFInfo
- Publication number
- CN109872279A CN109872279A CN201811567034.3A CN201811567034A CN109872279A CN 109872279 A CN109872279 A CN 109872279A CN 201811567034 A CN201811567034 A CN 201811567034A CN 109872279 A CN109872279 A CN 109872279A
- Authority
- CN
- China
- Prior art keywords
- face
- neural network
- cloud platform
- network based
- intelligent cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于神经网络的智能云平台人脸识别并局部加密方法,对原始图像采用图像金字塔进行处理;建立人脸/非人脸分类器,输出大量可能为人脸的分类、边界框回归和人脸位置的结果;边界框回归,精炼候选窗体,丢弃大量的重叠窗体;地标定位,实现候选窗体的去留,同时显示五个面部关键点定位;对数据通过混沌逻辑图和RC4流密码进行加密。本发明采用局部加密方式,减少了图片加密的时间,大大提高了加密效率。
Description
技术领域
本发明涉及一种人脸识别并局部加密方法,特别是一种基于神经网络的智能云平台人脸识别并局部加密方法。
背景技术
随着互联网、云存储技术的快速发展,大数据的广泛应用以及智能终端的普及,同步与备份的概念逐渐深入到人们的工作与生活当中,用户可以在各种不同的智能终端设备上存储和管理数据,为了防止终端设备上的数据丢失,用户希望将数据备份到安全的地方,使得用户在不同终端设备上访问自己的数据更为方便。智能云服务让手机与云端能进行通讯录、短息、照片等资料的云数据同步。但随着个人信息数据的增加,云端数据受黑客攻击等原因外泄,将给人们带来重大的个人隐私等安全隐患,需要在智能云平台上对个人信息进行加密存储。考虑手机端的图片大部分以高清存储,对每张高清图片进行全加密,将大大增加云端的运行压力,为解决个人隐私的安全问题,提出通过对图片进行人脸检测,对照片的人脸部分进行局部加密,大大减小加密的时长与云端的***运行压力,传统的人脸识别技术通常使用的模板匹配方法,模板的自身灵活性相对比较差,不能根据人脸的变化而发生改变,在实际生活中人脸会因光照、佩戴眼镜、帽子、姿态等原因发生了遮挡,或者比较夸张的表情,就会直接影响到最终的检测,因此需要设计一种采用基于神经网络的人脸检测技术进行脸部检测,然后只对检测的脸部区域进行加密,最后存储于云端,有效地解决云端对照片个人隐私安全问题。
发明内容
本发明所要解决的技术问题是提供一种基于神经网络的智能云平台人脸识别并局部加密方法,提高了加密效率。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于包含以下步骤:
步骤一:对原始图像采用图像金字塔进行处理;
步骤二:建立人脸/非人脸分类器,输出大量可能为人脸的分类、边界框回归和人脸位置的结果;
步骤三:边界框回归,精炼候选窗体,丢弃大量的重叠窗体;
步骤四:地标定位,实现候选窗体的去留,同时显示五个面部关键点定位;
步骤五:对数据通过混沌逻辑图和RC4流密码进行加密。
进一步地,所述步骤一中图像金字塔设置scales分别为0.80,0.57,0.40,0.28,0.20,0.14,0.10,0.07,0.05,0.04,0.02。
进一步地,所述步骤二具体为人脸/非人脸分类器提供大量候选窗口,目的是穷举所有可能是人脸的候选框,并计算bounding box回归向量;
人脸和非人脸的穷举使用的是交叉熵损失函数
实现分类任务;
其中,pi表示第i候选窗体为人脸的概率,表示第i候选窗体对应的真实标记,0:非人脸、1:人脸、只有为Li为1的时候才将其纳入为候选框。
进一步地,所述步骤三具体为边界框回归拥有三层卷积神经网络和一层全连接层,用于筛选负样本;边界框回归起到中间网络的过渡作用,拒绝一些非人脸窗口,并计算bounding box回归向量,同时向下一层网络提供合适的候选框。
进一步地,所述步骤四具体为地标定位用来寻找输出脸上的5个地标点,地标点计算公式:
使用欧式距离计算回归损失,其中,为神经网络预测值,为真实的地标坐标值;一共定位两只眼睛、鼻子和嘴角两边5个点,每个点包含(x,y)两个值,属于十元组;
在训练过程中,和yi的交并集IoU比例:
0-0.3:非人脸
0.3-0.4:地标
0.4-0.65:一部分人脸
0.65-1.00:人脸。
进一步地,所述步骤五具体为
混沌逻辑图是流行的混沌***之一,考虑一般形式的CLM函数
其中,λ是间隔的控制参数,λ=[0,4],是区间上的实数,
令λ=4,则上述公式为
然后通过RC4流密码进行加密。
进一步地,所述RC4流密码加密的具体过程为将外部密钥转换为初始值X0;
使用该初始值X0在CLM函数上生成伪随机数;
在进行加密过程时对纯图像的字节流和伪随机数流进行异或。
进一步地,所述步骤二、步骤三和步骤四之后分别进行非极大值抑制进行校准。
进一步地,所述非极大值抑制具体为将所有框的得分排序,选中最高分及其对应的框;
遍历其余的框,如果和当前最高分框的重叠面积IOU大于一定阈值,就将框删除;
从未处理的框中继续选一个得分最高的,重复上述过程。
本发明与现有技术相比,具有以下优点和效果:本发明采用MTCNN神经网络,通过使用3个卷积神经网络级联的方式对图片中所有的人脸和人脸上的两只眼睛、鼻子和嘴角两边5个特征点依次进行检测,进而生成人脸检测区域和5个特征点位置,然后对检测区域进行混沌逻辑图和RC4流密码的高效图像加密。实验证明,采用局部加密方式,减少了需要加密图像的大小,节约了电脑内存的占用,也加速了图片加密,减少了一整张图片加密的时间,大大提高了加密效率。
附图说明
图1是本发明的一种基于神经网络的智能云平台人脸识别并局部加密方法的流程图。
具体实施方式
下面通过具体实施例对本发明作进一步说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种基于神经网络的智能云平台人脸识别并局部加密方法,包含以下步骤:
步骤一:对原始图像采用图像金字塔进行处理;
图像金字塔是图像多尺度表达的一种,是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图像集合。该图像集合通过梯次向下采样获得,直到达到某个终止条件才停止采样。如果将一层一层的图像比喻成金字塔,则层级越高,图像越小,分辨率越低。这里使用图像金字塔的原因是解决尺度不友好性,也就是缩放图像,以便可以检测到的最小大小等于我们想要检测的最小面部大小,在这里我们设置的scales分别为0.80,0.57,0.40,0.28,0.20,0.14,0.10,0.07,0.05,0.04,0.02。(这里的scales的设置是根据图像的大小和最小检测框大小,影响因子计算得到。)。
步骤二:建立人脸/非人脸分类器,输出大量可能为人脸的分类、边界框回归和人脸位置的结果;
MTCNN(Multi-task Cascaded Convolutional Networks),多任务级联神经网络是由三个CNN(Convolutional Neural Network)通过级联方式组成的人脸检测构架。从分类任务到检测任务,分别为Proposal Network(P-Net)、Refine Network(R-Net)和OutputNetwork(O-Net),主要实现人脸/非人脸分类、边界框回归、地标定位等功能。其中,P-Net采用全卷积神经网络,主要获得了人脸区域的候选窗口和边界框的回归向量,然后通过非极大值抑制(Non Maximum Suppression,NMS)来合并高度重叠的候选框,获得大量候选窗体和边界回归向量。
最后,将经过P-Net确定的包含大量候选窗体的图片放到R-Net中训练。R-Net通过边界框回归和NMS去掉大部分误检测(false-positive)的候选窗体。R-Net比P-Net多了一个全连接层,具有更好地抑制误检测候选窗体的作用。O-Net作用和R-Net层作用一样,该层比R-Net层又多了一层卷积层,处理的结果会更加精细。在去除重叠候选窗口的同时,检测人脸的五个关键点并对它们进行定位(Landmark)。
人脸/非人脸分类器,浅层的CNN快速产生候选窗体。P-NET(proposal)拥有三层卷积神经网络,特点是轻快,它的存在是为了穷举可能为人脸的框。Proposal Net(P-NET)提供大量候选窗口,目的是穷举所有可能是人脸的候选框,并计算bounding box回归向量。人脸和非人脸的穷举使用的是交叉熵损失函数。交叉熵(Cross Entropy)是Shannon信息论中一个重要概念,主要用于度量两个概率分布间的差异性信息,而交叉熵在神经网络(机器学习)中可作为损失函数。现假设p表示真实标记的分布,q为训练后的模型的预测标记分布,交叉熵损失函数可以衡量p与q的相似性,进而实现分类任务。这是一个人脸/非人脸分类任务,使用交叉熵损失函数,其中,pi表示第i候选窗体为人脸的概率,表示第i候选窗体对应的真实标记(0:非人脸;1:人脸,只有为Li为1的时候才将其纳入为候选框)。交叉熵公式:
每层网络的卷积核为3*3,输入图像大小为12*12*3(12为输入图像的长和宽,3为颜色通道),输出大量可能为人脸的分类、边界框回归和人脸位置的结果,传到R-NET,进行第二阶段。
步骤三:边界框回归,精炼候选窗体,丢弃大量的重叠窗体;
边界框回归通过更复杂的CNN精炼候选窗体,丢弃大量的重叠窗体。R-NET(re-check)拥有三层卷积神经网络和一层全连接层,它的存在是为了筛选负样本。RefiningNet(R-NET),比起P-NET多一个卷积层,起到了中间网络的过渡作用,拒绝一些非人脸窗口,并计算bounding box回归向量,同时向下一层网络提供合适的候选框。
第一层和第二层的卷积核大小为3*3,第三层卷积核大小为2*2,最后一层全连接层有128个神经元。输入层神经元数目为24*24*3(24为输入图像的长和宽,3为颜色通道),输出是丢弃大部分的人脸分类、边界框回归和人脸的位置的结果,该结果传到O-NET,进行第三阶段。
步骤四:地标定位,实现候选窗体的去留,同时显示五个面部关键点定位;
地标定位,使用更加强大的CNN来实现候选窗体的去留,同时显示五个面部关键点定位。Outputting Net(O-NET),比起R-NET再多一层卷积,用来寻找输出脸上的5个地标点,地标点计算公式:
使用欧式距离计算回归损失,其中,为神经网络预测值,为真实的地标坐标值。一共定位5个点(两只眼睛、鼻子和嘴角两边),每个点包含(x,y)两个值,所以,属于十元组。在训练过程中,和yi的交并集IoU(Intersection-over-Union)比例:
0-0.3:非人脸
0.3-0.4:地标
0.4-0.65:一部分人脸
0.65-1.00:人脸
O-NET(re-check)拥有四层卷积神经网络和一层全连接层;第一、二、三层的卷积核为3*3,第四层卷积核为2*2,最后一层全连接层有256个神经元,输入大小为48*48*3(48为输入图像的长和宽,3为颜色通道),输出为精确的人脸分类、边界框回归和人脸位置的结果。
三个网络都将人脸分类、边界框回归和人脸关键点位置以多任务的方式并联在最后一个全连接层后,使得多种任务端到端并行的同时,达到训练过程中对网络性能的提升。
步骤五:对数据通过混沌逻辑图和RC4流密码进行加密。
混沌是确定性非线性***中存在的一种普遍存在的现象,它对初始条件表现出极高的敏感性并具有随机的类似行为。混沌逻辑图是流行的混沌***之一,考虑一般形式的CLM函数
其中,λ是间隔的控制参数,λ=[0,4],是区间上的实数,
令λ=4,则上述公式为
然后通过RC4流密码进行加密。流密码是对称密码算法,从明文输入流逐位或逐字节产生密文输出。RC4被用于为网络浏览器和服务器间通信而制定的SSL/TLS(安全套接字协议/传输层安全协议)标准中,以及作为IEEE 801.11无线局域网标准一部分的WEP(WiredEquivalent Privacy)协议和新的WiFi受保护访问协议(WAP)中。通过互联网进行数字图像传输,需要安全的保护.
RC4流密码加密的具体过程为
将外部密钥转换为初始值X0;
使用该初始值X0在CLM函数上生成伪随机数;
在进行加密过程时对纯图像的字节流和伪随机数流进行异或。
步骤二、步骤三和步骤四之后分别进行非极大值抑制进行校准。
非极大值抑制(Non-Maximum Suppression,NMS),顾名思义就是抑制不是极大值的元素,可以理解为局部最大搜索。这个局部代表的是一个邻域,邻域有两个参数可变,一是邻域的维数,二是邻域的大小。这里不讨论通用的NMS算法,而是用于目标检测中提取分数最高的窗口的。例如在行人检测中,滑动窗口经提取特征,经分类器分类识别后,每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高(是行人的概率最大),并且抑制那些分数低的窗口。NMS在计算机视觉领域有着非常重要的应用,如视频目标跟踪、数据挖掘、3D重建、目标识别以及纹理分析等。
人脸检测中NMS算法流程:
·将所有框的得分排序,选中最高分及其对应的框
·遍历其余的框,如果和当前最高分框的重叠面积(Intersection over Union,IOU)大于一定阈值,我们就将框删除。
·从未处理的框中继续选一个得分最高的,重复上述过程。
本发明采用MTCNN神经网络,通过使用3个卷积神经网络级联的方式对图片中所有的人脸和人脸上的两只眼睛、鼻子和嘴角两边5个特征点依次进行检测,进而生成人脸检测区域和5个特征点位置,然后对检测区域进行混沌逻辑图和RC4流密码的高效图像加密。如图1所示,实验证明,采用局部加密方式,减少了需要加密图像的大小,节约了电脑内存的占用,也加速了图片加密,减少了一整张图片加密的时间,大大提高了加密效率。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于包含以下步骤:
步骤一:对原始图像采用图像金字塔进行处理;
步骤二:建立人脸/非人脸分类器,输出大量可能为人脸的分类、边界框回归和人脸位置的结果;
步骤三:边界框回归,精炼候选窗体,丢弃大量的重叠窗体;
步骤四:地标定位,实现候选窗体的去留,同时显示五个面部关键点定位;
步骤五:对数据通过混沌逻辑图和RC4流密码进行加密。
2.按照权利要求1所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述步骤一中图像金字塔设置scales分别为0.80,0.57,0.40,0.28,0.20,0.14,0.10,0.07,0.05,0.04,0.02。
3.按照权利要求1所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述步骤二具体为
人脸/非人脸分类器提供大量候选窗口,目的是穷举所有可能是人脸的候选框,并计算bounding box回归向量;
人脸和非人脸的穷举使用的是交叉熵损失函数
实现分类任务;
其中,pi表示第i候选窗体为人脸的概率,表示第i候选窗体对应的真实标记,0:非人脸、1:人脸、只有为Li为1的时候才将其纳入为候选框。
4.按照权利要求1所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述步骤三具体为
边界框回归拥有三层卷积神经网络和一层全连接层,用于筛选负样本;边界框回归起到中间网络的过渡作用,拒绝一些非人脸窗口,并计算bounding box回归向量,同时向下一层网络提供合适的候选框。
5.按照权利要求1所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述步骤四具体为
地标定位用来寻找输出脸上的5个地标点,地标点计算公式:
使用欧式距离计算回归损失,其中,为神经网络预测值,为真实的地标坐标值;一共定位两只眼睛、鼻子和嘴角两边5个点,每个点包含(x,y)两个值,属于十元组;
在训练过程中,和yi的交并集IoU比例:
0-0.3:非人脸
0.3-0.4:地标
0.4-0.65:一部分人脸
0.65-1.00:人脸。
6.按照权利要求1所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述步骤五具体为
混沌逻辑图是流行的混沌***之一,考虑一般形式的CLM函数
其中,λ是间隔的控制参数,λ=[0,4],是区间上的实数,
令λ=4,则上述公式为
然后通过RC4流密码进行加密。
7.按照权利要求6所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述RC4流密码加密的具体过程为
将外部密钥转换为初始值X0;
使用该初始值X0在CLM函数上生成伪随机数;
在进行加密过程时对纯图像的字节流和伪随机数流进行异或。
8.按照权利要求1所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述步骤二、步骤三和步骤四之后分别进行非极大值抑制进行校准。
9.按照权利要求8所述的一种基于神经网络的智能云平台人脸识别并局部加密方法,其特征在于:所述非极大值抑制具体为
将所有框的得分排序,选中最高分及其对应的框;
遍历其余的框,如果和当前最高分框的重叠面积IOU大于一定阈值,就将框删除;
从未处理的框中继续选一个得分最高的,重复上述过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567034.3A CN109872279B (zh) | 2018-12-19 | 2018-12-19 | 一种基于神经网络的智能云平台人脸识别并局部加密方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811567034.3A CN109872279B (zh) | 2018-12-19 | 2018-12-19 | 一种基于神经网络的智能云平台人脸识别并局部加密方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872279A true CN109872279A (zh) | 2019-06-11 |
CN109872279B CN109872279B (zh) | 2020-06-05 |
Family
ID=66917173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811567034.3A Active CN109872279B (zh) | 2018-12-19 | 2018-12-19 | 一种基于神经网络的智能云平台人脸识别并局部加密方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872279B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427761A (zh) * | 2019-07-08 | 2019-11-08 | 维沃移动通信有限公司 | 一种提示方法和终端设备 |
CN111931145A (zh) * | 2020-06-29 | 2020-11-13 | 北京爱芯科技有限公司 | 人脸加密方法、识别方法、装置、电子设备及存储介质 |
CN112949545A (zh) * | 2021-03-17 | 2021-06-11 | 中国工商银行股份有限公司 | 识别人脸图像的方法、装置、计算设备和介质 |
CN113095212A (zh) * | 2021-04-08 | 2021-07-09 | 武汉理工大学 | 基于局部排序算法加密的人脸识别方法及*** |
CN116467730A (zh) * | 2023-06-16 | 2023-07-21 | 北京东联世纪科技股份有限公司 | 一种基于cim架构的智慧园区数字化运维管理*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN109034210A (zh) * | 2018-07-04 | 2018-12-18 | 国家新闻出版广电总局广播科学研究院 | 基于超特征融合与多尺度金字塔网络的目标检测方法 |
-
2018
- 2018-12-19 CN CN201811567034.3A patent/CN109872279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN109034210A (zh) * | 2018-07-04 | 2018-12-18 | 国家新闻出版广电总局广播科学研究院 | 基于超特征融合与多尺度金字塔网络的目标检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427761A (zh) * | 2019-07-08 | 2019-11-08 | 维沃移动通信有限公司 | 一种提示方法和终端设备 |
CN111931145A (zh) * | 2020-06-29 | 2020-11-13 | 北京爱芯科技有限公司 | 人脸加密方法、识别方法、装置、电子设备及存储介质 |
CN112949545A (zh) * | 2021-03-17 | 2021-06-11 | 中国工商银行股份有限公司 | 识别人脸图像的方法、装置、计算设备和介质 |
CN113095212A (zh) * | 2021-04-08 | 2021-07-09 | 武汉理工大学 | 基于局部排序算法加密的人脸识别方法及*** |
CN116467730A (zh) * | 2023-06-16 | 2023-07-21 | 北京东联世纪科技股份有限公司 | 一种基于cim架构的智慧园区数字化运维管理*** |
CN116467730B (zh) * | 2023-06-16 | 2023-08-15 | 北京东联世纪科技股份有限公司 | 一种基于cim架构的智慧园区数字化运维管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN109872279B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872279A (zh) | 一种基于神经网络的智能云平台人脸识别并局部加密方法 | |
Wieczorek et al. | Lightweight convolutional neural network model for human face detection in risk situations | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
Tariq et al. | One detector to rule them all: Towards a general deepfake attack detection framework | |
Chang et al. | Deepfake face image detection based on improved VGG convolutional neural network | |
Cao et al. | Softmax cross entropy loss with unbiased decision boundary for image classification | |
CN107480163A (zh) | 一种云环境下支持隐私保护的高效密文图像检索方法 | |
CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
Xiao et al. | Securing the socio-cyber world: Multiorder attribute node association classification for manipulated media | |
Wen et al. | A hybrid model for natural face de-identiation with adjustable privacy | |
Brockschmidt et al. | On the generality of facial forgery detection | |
Arora et al. | A review of techniques to detect the GAN-generated fake images | |
Guo et al. | Mgtr: End-to-end mutual gaze detection with transformer | |
Ma et al. | Cascade transformer decoder based occluded pedestrian detection with dynamic deformable convolution and Gaussian projection channel attention mechanism | |
Song et al. | Learning structural similarity with evolutionary-GAN: A new face de-identification method | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
Fan et al. | Cycle GAN-MF: A Cycle-consistent Generative Adversarial Network Based on Multifeature Fusion for Pedestrian Re-recognition | |
Peng et al. | Evaluating deep learning for image classification in adversarial environment | |
Kawabe et al. | Fake image detection using an ensemble of CNN models specialized for individual face parts | |
Albazony et al. | DeepFake Videos Detection by Using Recurrent Neural Network (RNN) | |
Lin et al. | [Retracted] A Lightweight Face Verification Based on Adaptive Cascade Network and Triplet Loss Function | |
Xu et al. | A Graph Neural Network Model for Live Face Anti-Spoofing Detection Camera Systems | |
Sima et al. | Multi‐Scale Feature Attention‐DEtection TRansformer: Multi‐Scale Feature Attention for security check object detection | |
Yuan et al. | An effective graph embedded YOLOv5 model for forest fire detection | |
Xu et al. | A video target re-recognition method based on adaptive attention enhancement and multi-scale feature fusion |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230619 Address after: No. 10 Kexing Road, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518000, Huijing Haoyuan Haiyige 23C Patentee after: SHENZHEN LEWEI INNOVATION TECHNOLOGY CO.,LTD. Address before: 523000, 1, University Road, Songshan science and Technology Industrial Park, Guangdong, Dongguan Patentee before: DONGGUAN University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |