CN110472400A - 一种基于人脸识别的可信计算机***及实现方法 - Google Patents

一种基于人脸识别的可信计算机***及实现方法 Download PDF

Info

Publication number
CN110472400A
CN110472400A CN201910776696.XA CN201910776696A CN110472400A CN 110472400 A CN110472400 A CN 110472400A CN 201910776696 A CN201910776696 A CN 201910776696A CN 110472400 A CN110472400 A CN 110472400A
Authority
CN
China
Prior art keywords
face
layers
convolutional neural
neural networks
recognition
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
Application number
CN201910776696.XA
Other languages
English (en)
Other versions
CN110472400B (zh
Inventor
姜凯
于治楼
秦刚
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.)
Inspur Group Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute 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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201910776696.XA priority Critical patent/CN110472400B/zh
Publication of CN110472400A publication Critical patent/CN110472400A/zh
Application granted granted Critical
Publication of CN110472400B publication Critical patent/CN110472400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
    • G06F21/72—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information in cryptographic circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/81—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer by operating on the power supply, e.g. enabling or disabling power-on, sleep or resume operations
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于人脸识别的可信计算机***及实现方法，属于信息安全领域，本发明要解决的技术问题为如何基于人脸识别实现可信计算机***的智能化防护，减少了Ukey认证过程，降低了管理成本，采用的技术方案为：该***包括通用计算机***、人脸识别设备和可信芯片，通用计算机***通过集成人脸识别设备识别用户，人脸识别设备发送控制信号控制可信芯片供电并下发保护密钥分量，可信芯片合成分量后解密可信根并度量BIOS开启正常开机流程。本发明公开了一种基于人脸识别的可信计算机实现方法。

Description

一种基于人脸识别的可信计算机***及实现方法
技术领域
本发明涉及信息安全领域，具体地说是一种基于人脸识别的可信计算机***及实现方法。
背景技术
可信计算、可信用计算(Trusted Computing，TC)是一项由可信计算组织(TrustedComputing Group，前称为TCPA)推动和开发的技术。这个术语来源于可信***(Trustedsystems)，并且有其特定含义。从技术角度来讲，“可信的”(Trusted)未必意味着对用户而言是“值得信赖的”(Trustworthy)。确切而言，它意味着可以充分相信其行为会更全面地遵循设计，而执行设计者和软件编写者所禁止的行为的概率很低。
人脸识别的英文名称是Human Face Recognition.人脸识别产品利用AVS03A图像处理器；可以对人脸明暗侦测,自动调整动态曝光补偿，人脸追踪侦测,自动调整影像放大。广义的人脸识别实际包括构建人脸识别***的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或***。
卷积神经网络算法在人工智能领域中应用最为广泛的算法，广泛应用于安防、自动驾驶、计算机视觉、人脸识别等领域。CNN本质上是一个多层感知机，其成功的原因关键在于它所采用的局部连接和共享权值的方式，一方面减少了的权值的数量使得网络易于优化，另一方面降低了过拟合的风险。CNN是神经网络中的一种，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
综上所述，如何基于人脸识别实现可信计算机***的智能化防护，减少了Ukey认证过程，降低了管理成本是目前现有技术中急需解决的技术问题。
发明内容
本发明的技术任务是提供一种基于人脸识别的可信计算机***及实现方法，来解决如何基于人脸识别实现可信计算机***的智能化防护，减少了Ukey认证过程，降低了管理成本的问题。
本发明的技术任务是按以下方式实现的，一种基于人脸识别的可信计算机***，该***包括通用计算机***、人脸识别设备和可信芯片，通用计算机***通过集成人脸识别设备识别用户，人脸识别设备发送控制信号控制可信芯片供电并下发保护密钥分量，可信芯片合成分量后解密可信根并度量BIOS开启正常开机流程。
作为优选，所述人脸识别设备通过Standby电源单独供电，独立于可信计算机供电体系之外，可不***作***及可信芯片COS修改，保证用户信息安全性。
作为优选，所述人脸识别设备采用的算法是12层卷积神经网络模型。
更优地，所述12层卷积神经网络模型具体包括：
卷积神经网络模型建立模块，用于将调整卷积核步长的卷积层替代池化层建立12层卷积神经网络模型，精简人脸识别设备复杂度；
卷积神经网络模型训练模块，用于对12层卷积神经网络模型进行模型训练；
网络量化模块，用于对12层卷积神经网络模型进行网络量化；
过重训练模块，用于对12层卷积神经网络模型进行过重训练并输出最终模型；
人脸识别设备载入模块，用于将最终模型通过编译器拆解为乘法、步长、累加、输入、输出的操作指令，载入人脸识别设备。
更优地，所述对12层卷积神经网络模型进行网络量化具体包括：权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化，保证模型参数计算量精简并保持精度。
更优地，所述对12层卷积神经网络模型进行过重训练并输出最终模型具体包括：对12层网络中的4层网络进行二值化，进一步压缩网络参数，并再次进行过重训练后，输出最终模型。
一种基于人脸识别的可信计算机实现方法，该方法步骤如下：
S1、建立12层卷积神经网络模型并将12层卷积神经网络模型载入人脸识别设备；
S2、人脸识别设备识别人脸；
S3、人脸识别设备识别人脸通过后，打开可信芯片供电电路，通过与可信芯片互联接口协商通信密钥；
S4、将***保护密钥分量加密后发送给可信芯片；
S5、可信芯片将接收到的***保护密钥分量与芯片自存分量通过移位合成为***保护密钥；
S6、解密可信根并度量可信计算机BIOS，进入正常可信计算机启动流程。
作为优选，所述步骤S1中建立12层卷积神经网络模型并将12层卷积神经网络模型载入人脸识别设备的具体步骤如下：
S101、建立12层卷积神经网络模型，采用调整卷积核步长的卷积层替代池化层，精简人脸识别设备复杂度；
S102、对12层卷积神经网络模型进行模型训练；
S103、对12层卷积神经网络模型进行网络量化；
S104、对12层卷积神经网络模型进行过重训练并输出最终模型；
S105、将最终模型通过编译器拆解为乘法、步长、累加、输入、输出的操作指令，载入人脸识别设备。
更优地，所述步骤S103中对12层卷积神经网络模型进行网络量化具体包括：权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化，保证模型参数计算量精简并保持精度。
更优地，所述步骤S104中对12层卷积神经网络模型进行过重训练并输出最终模型具体包括对12层网络中的4层网络进行二值化，进一步压缩网络参数，并再次进行过重训练后，输出最终模型。
本发明的基于人脸识别的可信计算机***及实现方法具有以下优点：
(一)、本发明通过增加人脸识别流程，实现了可信计算机***的智能化防护，并减少了Ukey认证过程，降低了管理成本；
(二)、人脸识别设备为Standby电源单独供电，独立于可信计算机供电体系之外，可不***作***及可信芯片COS修改，保证用户信息安全性；
(三)、人脸识别设备的算法采用定制12层卷积神经网络，采用调整卷积核步长的卷积层替代池化层，使得精简人脸识别硬件复杂度；
(四)、本发明对卷积神经网络模型进行网络量化，其中权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化，保证模型参数计算量精简并保持精度。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于人脸识别的可信计算机***结构框图；
附图2为基于人脸识别的可信计算机的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于人脸识别的可信计算机***及实现方法作以下详细地说明。
实施例1：
如附图1所示，本发明的基于人脸识别的可信计算机***,该***包括通用计算机***、人脸识别设备和可信芯片，通用计算机***通过集成人脸识别设备识别用户，人脸识别设备发送控制信号控制可信芯片供电并下发保护密钥分量，可信芯片合成分量后解密可信根并度量BIOS开启正常开机流程。其中，人脸识别设备通过Standby电源单独供电，独立于可信计算机供电体系之外，可不***作***及可信芯片COS修改，保证用户信息安全性。
人脸识别设备采用的算法是12层卷积神经网络模型。12层卷积神经网络模型具体包括：
卷积神经网络模型建立模块，用于将调整卷积核步长的卷积层替代池化层建立12层卷积神经网络模型，精简人脸识别设备复杂度；
卷积神经网络模型训练模块，用于对12层卷积神经网络模型进行模型训练；
网络量化模块，用于对12层卷积神经网络模型进行网络量化，其中权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化，保证模型参数计算量精简并保持精度；
过重训练模块，用于对12层卷积神经网络模型进行过重训练并输出最终模型，对12层网络中的4层网络进行二值化，进一步压缩网络参数，并再次进行过重训练后，输出最终模型；
人脸识别设备载入模块，用于将最终模型通过编译器拆解为乘法、步长、累加、输入、输出的操作指令，载入人脸识别设备。
实施例2：
如附图2所示，本发明的基于人脸识别的可信计算机实现方法，该方法步骤如下：
S1、建立12层卷积神经网络模型并将12层卷积神经网络模型载入人脸识别设备；
S2、人脸识别设备识别人脸；
S3、人脸识别设备识别人脸通过后，打开可信芯片供电电路，通过与可信芯片互联接口协商通信密钥；
S4、将***保护密钥分量加密后发送给可信芯片；
S5、可信芯片将接收到的***保护密钥分量与芯片自存分量通过移位合成为***保护密钥；
S6、解密可信根并度量可信计算机BIOS，进入正常可信计算机启动流程。
步骤S1中建立12层卷积神经网络模型并将12层卷积神经网络模型载入人脸识别设备的具体步骤如下：
S101、建立12层卷积神经网络模型，采用调整卷积核步长的卷积层替代池化层，精简人脸识别设备复杂度；
S102、对12层卷积神经网络模型进行模型训练；
S103、对12层卷积神经网络模型进行网络量化，其中权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化，保证模型参数计算量精简并保持精度；
S104、对12层卷积神经网络模型进行过重训练并输出最终模型，对12层网络中的4层网络进行二值化，进一步压缩网络参数，并再次进行过重训练后，输出最终模型；
S105、将最终模型通过编译器拆解为乘法、步长、累加、输入、输出的操作指令，载入人脸识别设备。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于人脸识别的可信计算机***，其特征在于，该***包括通用计算机***、人脸识别设备和可信芯片，通用计算机***通过集成人脸识别设备识别用户，人脸识别设备发送控制信号控制可信芯片供电并下发保护密钥分量，可信芯片合成分量后解密可信根并度量BIOS开启正常开机流程。
2.根据权利要求1所述的基于人脸识别的可信计算机***，其特征在于，所述人脸识别设备通过Standby电源单独供电。
3.根据权利要求1或2所述的基于人脸识别的可信计算机***，其特征在于，所述人脸识别设备采用的算法是12层卷积神经网络模型。
4.根据权利要求3所述的基于人脸识别的可信计算机***，其特征在于，所述12层卷积神经网络模型具体包括：
卷积神经网络模型建立模块，用于将调整卷积核步长的卷积层替代池化层建立12层卷积神经网络模型，精简人脸识别设备复杂度；
卷积神经网络模型训练模块，用于对12层卷积神经网络模型进行模型训练；
网络量化模块，用于对12层卷积神经网络模型进行网络量化；
过重训练模块，用于对12层卷积神经网络模型进行过重训练并输出最终模型；
人脸识别设备载入模块，用于将最终模型通过编译器拆解为乘法、步长、累加、输入、输出的操作指令，载入人脸识别设备。
5.根据权利要求4所述的基于人脸识别的可信计算机***，其特征在于，所述对12层卷积神经网络模型进行网络量化具体包括：权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化。
6.根据权利要求5所述的基于人脸识别的可信计算机***，其特征在于，所述对12层卷积神经网络模型进行过重训练并输出最终模型具体包括：对12层网络中的4层网络进行二值化，进一步压缩网络参数，并再次进行过重训练后，输出最终模型。
7.一种基于人脸识别的可信计算机实现方法，其特征在于，该方法步骤如下：
S1、建立12层卷积神经网络模型并将12层卷积神经网络模型载入人脸识别设备；
S2、人脸识别设备识别人脸；
S3、人脸识别设备识别人脸通过后，打开可信芯片供电电路，通过与可信芯片互联接口协商通信密钥；
S4、将***保护密钥分量加密后发送给可信芯片；
S5、可信芯片将接收到的***保护密钥分量与芯片自存分量通过移位合成为***保护密钥；
S6、解密可信根并度量可信计算机BIOS，进入正常可信计算机启动流程。
8.根据权利要求7所述的基于人脸识别的可信计算机实现方法，其特征在于，所述步骤S1中建立12层卷积神经网络模型并将12层卷积神经网络模型载入人脸识别设备的具体步骤如下：
S101、建立12层卷积神经网络模型，采用调整卷积核步长的卷积层替代池化层，精简人脸识别设备复杂度；
S102、对12层卷积神经网络模型进行模型训练；
S103、对12层卷积神经网络模型进行网络量化；
S104、对12层卷积神经网络模型进行过重训练并输出最终模型；
S105、将最终模型通过编译器拆解为乘法、步长、累加、输入、输出的操作指令，载入人脸识别设备。
9.根据权利要求8所述的基于人脸识别的可信计算机实现方法，其特征在于，所述步骤S103中对12层卷积神经网络模型进行网络量化具体包括：权重、输入和输出由32bit浮点进行8bit整形量化，累加部分进行32bit浮点至9bit整形量化，乘法部分进行32bit浮点至12bit整形量化。
10.根据权利要求8或9所述的基于人脸识别的可信计算机实现方法，其特征在于，所述步骤S104中对12层卷积神经网络模型进行过重训练并输出最终模型具体包括对12层网络中的4层网络进行二值化，进一步压缩网络参数，并再次进行过重训练后，输出最终模型。
CN201910776696.XA 2019-08-22 2019-08-22 一种基于人脸识别的可信计算机***及实现方法 Active CN110472400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910776696.XA CN110472400B (zh) 2019-08-22 2019-08-22 一种基于人脸识别的可信计算机***及实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910776696.XA CN110472400B (zh) 2019-08-22 2019-08-22 一种基于人脸识别的可信计算机***及实现方法

Publications (2)

Publication Number Publication Date
CN110472400A true CN110472400A (zh) 2019-11-19
CN110472400B CN110472400B (zh) 2021-06-01

Family

ID=68512736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910776696.XA Active CN110472400B (zh) 2019-08-22 2019-08-22 一种基于人脸识别的可信计算机***及实现方法

Country Status (1)

Country Link
CN (1) CN110472400B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6763400B2 (en) * 2000-09-12 2004-07-13 Kabushiki Kaisha Toshiba Computer having control means for determining an operation state of an audio sources selecting switch when the computer is powered on/off, in a standby and a pause states
CN205377891U (zh) * 2016-01-05 2016-07-06 北京神州新桥科技有限公司 一种身份认证装置及***
CN107247991A (zh) * 2017-06-15 2017-10-13 北京图森未来科技有限公司 一种构建神经网络的方法及装置
CN107341463A (zh) * 2017-06-28 2017-11-10 北京飞搜科技有限公司 一种结合图像质量分析与度量学习的人脸特征识别方法
CN108345856A (zh) * 2018-02-09 2018-07-31 电子科技大学 基于异构卷积神经网络集成的sar自动目标识别方法
CN108572861A (zh) * 2018-04-26 2018-09-25 浪潮(北京)电子信息产业有限公司 一种虚拟可信根的保护方法、***、设备及存储介质
CN109992973A (zh) * 2019-04-10 2019-07-09 北京可信华泰信息技术有限公司 一种利用oprom机制的启动度量方法及装置
CN110008841A (zh) * 2019-03-08 2019-07-12 中国华戎科技集团有限公司 一种表情识别模型构建方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6763400B2 (en) * 2000-09-12 2004-07-13 Kabushiki Kaisha Toshiba Computer having control means for determining an operation state of an audio sources selecting switch when the computer is powered on/off, in a standby and a pause states
CN205377891U (zh) * 2016-01-05 2016-07-06 北京神州新桥科技有限公司 一种身份认证装置及***
CN107247991A (zh) * 2017-06-15 2017-10-13 北京图森未来科技有限公司 一种构建神经网络的方法及装置
CN107341463A (zh) * 2017-06-28 2017-11-10 北京飞搜科技有限公司 一种结合图像质量分析与度量学习的人脸特征识别方法
CN108345856A (zh) * 2018-02-09 2018-07-31 电子科技大学 基于异构卷积神经网络集成的sar自动目标识别方法
CN108572861A (zh) * 2018-04-26 2018-09-25 浪潮(北京)电子信息产业有限公司 一种虚拟可信根的保护方法、***、设备及存储介质
CN110008841A (zh) * 2019-03-08 2019-07-12 中国华戎科技集团有限公司 一种表情识别模型构建方法及***
CN109992973A (zh) * 2019-04-10 2019-07-09 北京可信华泰信息技术有限公司 一种利用oprom机制的启动度量方法及装置

Also Published As

Publication number Publication date
CN110472400B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN104584024B (zh) 允许基于不同级别的解锁机制的各种设备访问
CN107408251A (zh) 提供电子支付功能的电子设备及其操作方法
CN101261679A (zh) 基于现场可编程门阵列的多指纹密码识别方法及***
CN110378470B (zh) 神经网络模型的优化方法、装置以及计算机存储介质
US11163984B2 (en) Methods and apparatus for constructing biometrical templates using facial profiles of users
Ray et al. Wearables, implants, and internet of things: the technology needs in the evolving landscape
US20210216749A1 (en) Methods and apparatus for facial recognition
DE102023111576A1 (de) Steuerung des primären kühlkreislaufs zur bewältigung von schwankungsanforderungen an sekundäre kühlkreisläufe für rechenzentrum- kühlsysteme
CN113191504B (zh) 一种面向计算资源异构的联邦学习训练加速方法
CN113674856B (zh) 基于人工智能的医学数据处理方法、装置、设备及介质
CN113973018A (zh) 一种基于内生安全的物联网终端数据处理方法及***
CN110472400A (zh) 一种基于人脸识别的可信计算机***及实现方法
Liu et al. Privacy data security policy of medical cloud platform based on lightweight Algorithm model
CN112116979B (zh) 一种基于区块链分账协议的电子处方流转安全性工作方法
CN111738182B (zh) 基于图像识别的身份验证方法、装置、终端及存储介质
CN116681045A (zh) 报表生成方法、装置、计算机设备及存储介质
CN111275059A (zh) 一种图像处理方法、装置和计算机可读存储介质
CN209199101U (zh) 一种高安全性的通讯加密装置及***
Morozkin et al. Neural network based eye tracking
CN116263956A (zh) 基于联邦学习的图像分割网络获取方法及相关方法和设备
Tang et al. Edge Intelligence with Distributed Processing of DNNs: A Survey.
Lin et al. Study of Iterative Learning Control Algorithm in Tourism Management IoT Platform Application
US20210216751A1 (en) Methods and apparatus for facial recognition
CN107742140B (zh) 基于rfid技术的智能身份信息识别方法
Chen et al. Guarding deep learning systems with boosted evasion attack detection and model update

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210512

Address after: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong

Applicant after: INSPUR GROUP Co.,Ltd.

Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100

Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant