CN111046760A - 一种基于域对抗网络的笔迹鉴定方法 - Google Patents

一种基于域对抗网络的笔迹鉴定方法 Download PDF

Info

Publication number
CN111046760A
CN111046760A CN201911197013.1A CN201911197013A CN111046760A CN 111046760 A CN111046760 A CN 111046760A CN 201911197013 A CN201911197013 A CN 201911197013A CN 111046760 A CN111046760 A CN 111046760A
Authority
CN
China
Prior art keywords
network
classifier
character
identification
handwriting
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
CN201911197013.1A
Other languages
English (en)
Other versions
CN111046760B (zh
Inventor
孙善宝
金长新
张桂红
徐驰
谭强
马辰
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.)
Shandong Inspur Scientific Research Institute 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 CN201911197013.1A priority Critical patent/CN111046760B/zh
Publication of CN111046760A publication Critical patent/CN111046760A/zh
Application granted granted Critical
Publication of CN111046760B publication Critical patent/CN111046760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Collating Specific Patterns (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于域对抗网络的笔迹鉴定方法，属于笔迹鉴定、深度学习和神经网络技术领域，本发明将鉴定文字内容通过高清图像采集装置转换成图像，对图像进行特征提取，设计域对抗网络由特征提取网络、书写者鉴定网络和文字分类器网络三个部分构成，并基于大量数据进行训练，形成笔迹鉴定模型；通过域对抗网络将笔迹文字图像中包含的书写者标识化的特征与本身文字字意的特征进行分离。特征提取网络由CNN和LSTM构成，再通过LSTM可以充分考虑书写过程中已书写内容对后面文字书写的影响，实现更加准确的提取特征。

Description

一种基于域对抗网络的笔迹鉴定方法
技术领域
本发明涉及笔迹鉴定、深度学习和神经网络技术，尤其涉及一种基于域对抗网络的笔迹鉴定方法。
背景技术
域对抗网络(Domain-Adversarial Neural Networks)是深度学习领域中采用的一种技术，该技术试图通过恶意输入来欺骗模型，目标是为两个域找到或构建一个公共的表示空间，通过相互对抗，最终形成高质量的输出。
笔迹鉴定，是指对人通过书写活动形成的字迹进行的鉴认、识别活动。人的书写***特征、书面言语特征、写法特征、笔顺特征、运笔特征等，其中又以文字静态特征最为明显。随着图像处理技术、计算机视觉技术、深度学习技术的发展，使得通过文字图片进行笔迹鉴定成为可能，利用计算机视觉和图像分析手段来进行笔迹鉴定成为专家鉴定重要的辅助手段。笔迹文字图像中包含书写者标识化的特征，也包括本身文字字意的特征，在这种情况下，如何有效利用域对抗网络，形成笔迹鉴定模型，高效准确的实现基于图像的笔迹鉴定成为亟须解决的问题。
发明内容
为了解决以上技术问题，本发明提出了一种基于域对抗网络的笔迹鉴定方法，根据待鉴定者的书写数据进行有针对性的训练，调整模型参数，使得笔迹鉴定结果更加准确。
本发明的技术方案是：
一种基于域对抗网络的笔迹鉴定方法，将待鉴定文字通过高清图像采集装置进行采集转换成图像，并将图像进行分割，并进行一定的预处理，按照行文规范形成独立的文字图像；
创建一个域对抗网络，由特征提取网络E、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier三个部分构成，通过采集大量数据对三个子网络进行训练，使得Ch-Classifier文字分类器网络无法区分输入图像文字的内容，而书写者鉴定器网络能够准确判断出书写者身份，最终完成训练，在这个过程中，Ch-Classifier文字分类器极力区分当前文字本意，而特征提取器希望Ch-Classifier文字分类器能够无视文字本意的差异，只关注笔迹风格的特征；
将特征提取器连接书写者鉴定网络形成最终的鉴定网络S，将每个文字进行判定，并将得到的结果进行加权判断形成最终的鉴定结果。
另外，根据待鉴定者的书写数据进行有针对性的训练，调整模型参数，更加高效准确的完成基于图像的笔迹鉴定，成为专家笔迹鉴定重要的辅助手段。
其中，
所述的高清图像采集装置可以是高清相机、高清摄像机、高分辨率扫描仪，甚至可以采用扫描电子显微镜，将文字内容进行采集形成图像数据；
所述的特征提取网络E包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense，目标是将图像文字数据形成特征向量，希望在提高所述的书写者鉴定器网络的预测正确率的同时，使得所述的文字分类器无法区分来文字内容；
所述的书写者鉴定器网络ID-Classifier负责判断输入图像属于哪一个书写者来撰写，并输出置信度；所述的文字分类器网络Ch-Classifier来判断输入图像属于哪一个汉字、数字或字母；
所述的笔迹鉴定功能由预处理、笔迹鉴定网络S(特征提取网络、书写者鉴定器网络)以及身份判定规则器R构成；所述的身份判定规则器R负责将待鉴定的书写内容经过笔迹鉴定网络得到的身份结果及置信度，结合文字本意，综合评价得到最终的身份置信度；
所述的待鉴定者的书写数据进行有针对性的训练过程是将收集该书写者的数据，重新喂进网络里，调整参数，用于最终笔迹内容的鉴定。
笔迹鉴定网络模型的训练，包括：
步骤101、通过所述的高清图像采集装置将文字内容进行采集，形成图像数据；
步骤102、对收集的图像数据进行预处理，包括裁剪、分割、灰度处理等，形成相等大小的正方形图像，包含一个文字，预处理过程按照行文顺序记录正方形图像顺序,并对其进行数据标注，标明文字内容及身份识别；
步骤103、设计所述的特征提取网络E(包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense)、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier的网络结构及目标函数；
步骤104、所述的特征提取网络E和书写者鉴定网络ID-Classifier共同构成标准的前馈神经网络，通过反向传播训练，最小化鉴定者身份标签预测损失；
步骤105、所述的特征提取网络E与文字分类器网络Ch-Classifier中间加入一个梯度反向层，训练实现无监督域自适应，使文字分类器网络Ch-Classifier无法区分文字属于哪个汉字、字母或数字；
步骤106、反复训练，使得所述的书写者鉴定网络ID-Classifier预测身份正确率的同时，使得所述的文字分类器无法区分来文字本意内容，形成最终所述的鉴定网络S；
步骤107、根据专家规则设计所述的身份判定规则器R，结合笔迹鉴定原始材料的内容以及所述的鉴定网络S的单个文字的鉴定结果，不断调整规则参数，使其最终输出的量化结果，满足书写者笔迹鉴定的实际结果；
步骤108、将图像采集+预处理+鉴定网络模型S+身份判定规则器R形成最终的笔迹鉴定功能。
笔迹鉴定步骤包括：
步骤201、基于训练好的所述的特征提取网络E(包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense)、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier，将收集待笔迹鉴定的书写者的历史笔迹数据(采集图像并做预处理)，进行训练，调整参数，形成本次个性化鉴定的所述的鉴定网络S’；
步骤202、通过所述的高清图像采集装置将待鉴定的笔迹内容进行采集，形成图像数据；
步骤203、对收集的图像数据进行预处理，包括裁剪、分割、灰度处理等，形成相等大小的正方形图像，包含一个文字，预处理过程按照行文顺序记录正方形图像顺序；
步骤204、将经过处理后的待鉴定图像按顺序输入到所述的鉴定网络S’进行推理，得到单个文字的鉴定结果；
步骤205、通过所述的身份判定规则器R，输出判断最终笔迹鉴定的置信度；
步骤206、(可选的)将步骤204和步骤205的结果作为笔迹鉴定的相关依据。
本发明的有益效果是
本发明具有更高的准确性，同时加入了专家规则方式来综合判断可信度，使结果更加合理；另外，根据待鉴定者的书写数据进行有针对性的训练，调整模型参数，使得笔迹鉴定结果更加准确。
附图说明
图1是笔迹鉴定网络结构示意图；
图2是笔迹鉴定网络训练流程图；
图3是笔迹鉴定流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1中所示，将待鉴定文字通过高清图像采集装置进行采集转换成图像，并将图像进行分割，并进行一定的预处理，按照行文规范形成独立的文字图像；创建一个域对抗网络，由特征提取网络E、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier三个部分构成，通过采集大量数据对三个子网络进行训练，使得Ch-Classifier文字分类器网络无法区分输入图像文字的内容，而书写者鉴定器网络能够准确判断出书写者身份，最终完成训练，在这个过程中，Ch-Classifier文字分类器极力区分当前文字本意，而特征提取器希望Ch-Classifier文字分类器能够无视文字本意的差异，只关注笔迹风格的特征；将特征提取器连接书写者鉴定网络形成最终的鉴定网络S，将每个文字进行判定，并将得到的结果进行加权判断形成最终的鉴定结果。另外，根据待鉴定者的书写数据进行有针对性的训练，调整模型参数，更加高效准确的完成基于图像的笔迹鉴定，成为专家笔迹鉴定重要的辅助手段。其中，
所述的高清图像采集装置可以是高清相机、高清摄像机、高分辨率扫描仪，甚至可以采用扫描电子显微镜，将文字内容进行采集形成图像数据；所述的特征提取网络E包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense，目标是将图像文字数据形成特征向量，希望在提高所述的书写者鉴定器网络的预测正确率的同时，使得所述的文字分类器无法区分来文字内容；所述的书写者鉴定器网络ID-Classifier负责判断输入图像属于哪一个书写者来撰写，并输出置信度；所述的文字分类器网络Ch-Classifier来判断输入图像属于哪一个汉字、数字或字母；所述的笔迹鉴定功能由预处理、笔迹鉴定网络S(特征提取网络、书写者鉴定器网络)以及身份判定规则器R构成；所述的身份判定规则器R负责将待鉴定的书写内容经过笔迹鉴定网络得到的身份结果及置信度，结合文字本意，综合评价得到最终的身份置信度；所述的待鉴定者的书写数据进行有针对性的训练过程是将收集该书写者的数据，重新喂进网络里，调整参数，用于最终笔迹内容的鉴定。
为了描述方便，以下过程中采用高清数码相机作为采集装置，CNN特征提取器E-CNN可以使用全卷积网络，书写者鉴定器网络ID-Classifier和文字分类器网络Ch-Classifier主要结构可以采用CNN网络。本领域技术人员将理解的是，除了使用以上网络之外，根据本发明的实施方式的构造也能够应用于其他方法之上。
具体内容包括如下：
1、笔迹鉴定网络模型的训练
参考图2，笔迹鉴定网络模型的训练包括以下步骤：
步骤101、通过所述的高清图像采集装置将文字内容进行采集，形成图像数据；
步骤102、对收集的图像数据进行预处理，包括裁剪、分割、灰度处理等，形成相等大小的正方形图像，包含一个文字，预处理过程按照行文顺序记录正方形图像顺序,并对其进行数据标注，标明文字内容及身份识别；
步骤103、设计所述的特征提取网络E(包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense)、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier的网络结构及目标函数；
步骤104、所述的特征提取网络E和书写者鉴定网络ID-Classifier共同构成标准的前馈神经网络，通过反向传播训练，最小化鉴定者身份标签预测损失；
步骤105、所述的特征提取网络E与文字分类器网络Ch-Classifier中间加入一个梯度反向层，训练实现无监督域自适应，使文字分类器网络Ch-Classifier无法区分文字属于哪个汉字、字母或数字；
步骤106、反复训练，使得所述的书写者鉴定网络ID-Classifier预测身份正确率的同时，使得所述的文字分类器无法区分来文字本意内容，形成最终所述的鉴定网络S；
步骤107、根据专家规则设计所述的身份判定规则器R，结合笔迹鉴定原始材料的内容以及所述的鉴定网络S的单个文字的鉴定结果，不断调整规则参数，使其最终输出的量化结果，满足书写者笔迹鉴定的实际结果；
步骤108、将图像采集+预处理+鉴定网络模型S+身份判定规则器R形成最终的笔迹鉴定功能。
2、笔迹鉴定
参考图3，笔迹鉴定包括以下步骤：
步骤201、基于训练好的所述的特征提取网络E(包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense)、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier，将收集待笔迹鉴定的书写者的历史笔迹数据(采集图像并做预处理)，进行训练，调整参数，形成本次个性化鉴定的所述的鉴定网络S’；
步骤202、通过所述的高清图像采集装置将待鉴定的笔迹内容进行采集，形成图像数据；
步骤203、对收集的图像数据进行预处理，包括裁剪、分割、灰度处理等，形成相等大小的正方形图像，包含一个文字，预处理过程按照行文顺序记录正方形图像顺序；
步骤204、将经过处理后的待鉴定图像按顺序输入到所述的鉴定网络S’进行推理，得到单个文字的鉴定结果；
步骤205、通过所述的身份判定规则器R，输出判断最终笔迹鉴定的置信度；步骤206、(可选的)将步骤204和步骤205的结果作为笔迹鉴定的相关依据。
以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于域对抗网络的笔迹鉴定方法，其特征在于，
将鉴定文字内容通过高清图像采集装置转换成图像，对图像进行特征提取，基于训练数据，通过域对抗网络，将书写特征及内容特征分离，形成笔迹鉴定模型。
2.根据权利要求1所述的方法，其特征在于，
另外，根据待鉴定者的书写数据进行有针对性的训练，调整模型参数。
3.根据权利要求1所述的方法，其特征在于，
将图像进行分割，并进行预处理，按照行文规范形成独立的文字图像；
创建一个域对抗网络，由特征提取网络E、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier三个部分构成，通过采集数据对三个子网络进行训练，使得Ch-Classifier文字分类器网络无法区分输入图像文字的内容，而书写者鉴定器网络能够准确判断出书写者身份，最终完成训练。
4.根据权利要求3所述的方法，其特征在于，
在这个过程中，Ch-Classifier文字分类器极力区分当前文字本意，而特征提取器希望Ch-Classifier文字分类器能够无视文字本意的差异，只关注笔迹风格的特征；将特征提取器连接书写者鉴定网络形成最终的鉴定网络S，将每个文字进行判定，并将得到的结果进行加权判断形成最终的鉴定结果。
5.根据权利要求1所述的方法，其特征在于，
所述的高清图像采集装置采用高清相机、高清摄像机、高分辨率扫描仪和扫描电子显微镜其中的一种，将文字内容进行采集形成图像数据。
6.根据权利要求4所述的方法，其特征在于，
所述的特征提取网络E包括CNN特征提取器E-CNN，LSTM特征提取器E-LSTM和Dense特征调整器E-Dense，目标是将图像文字数据形成特征向量，希望在提高所述的书写者鉴定器网络的预测正确率的同时，使得所述的文字分类器无法区分来文字内容；
所述的书写者鉴定器网络ID-Classifier负责判断输入图像属于哪一个书写者来撰写，并输出置信度；
所述的文字分类器网络Ch-Classifier来判断输入图像属于哪一个汉字、数字或字母。
7.根据权利要求6所述的方法，其特征在于，
所述的笔迹鉴定由预处理、笔迹鉴定网络S(特征提取网络、书写者鉴定器网络)以及身份判定规则器R构成；
身份判定规则器R负责将待鉴定的书写内容经过笔迹鉴定网络得到的身份结果及置信度，结合文字本意，综合评价得到最终的身份置信度；
对待鉴定者的书写数据进行有针对性的训练过程是将收集该书写者的数据，重新喂进网络里，调整参数，用于最终笔迹内容的鉴定。
8.根据权利要求7所述的方法，其特征在于，
网络模型训练，具体包括：
步骤101、通过所述的高清图像采集装置将文字内容进行采集，形成图像数据；
步骤102、对收集的图像数据进行预处理，包括裁剪、分割、灰度处理，形成相等大小的正方形图像，包含一个文字，预处理过程按照行文顺序记录正方形图像顺序,并对其进行数据标注，标明文字内容及身份识别；
步骤103、设计所述的特征提取网络E、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier的网络结构及目标函数；
步骤104、特征提取网络E和书写者鉴定网络ID-Classifier共同构成标准的前馈神经网络，通过反向传播训练，最小化鉴定者身份标签预测损失；
步骤105、特征提取网络E与文字分类器网络Ch-Classifier中间加入一个梯度反向层，训练实现无监督域自适应，使文字分类器网络Ch-Classifier无法区分文字属于哪个汉字、字母或数字；
步骤106、反复训练，使得所述的书写者鉴定网络ID-Classifier预测身份正确率的同时，使得所述的文字分类器无法区分来文字本意内容，形成最终所述的鉴定网络S；
步骤107、根据身份判定规则器R，结合笔迹鉴定原始材料的内容以及所述的鉴定网络S的单个文字的鉴定结果，不断调整规则参数，使其最终输出的量化结果，满足书写者笔迹鉴定的实际结果；
步骤108、将图像采集+预处理+鉴定网络模型S+身份判定规则器R形成最终的笔迹鉴定功能。
9.根据权利要求2所述的方法，其特征在于，
笔迹鉴定步骤包括：
步骤201、基于训练好的特征提取网络E、书写者鉴定网络ID-Classifier和文字分类器网络Ch-Classifier，将收集待笔迹鉴定的书写者的历史笔迹数据，进行训练，调整参数，形成本次个性化鉴定的所述的鉴定网络S’；
步骤202、通过所述的高清图像采集装置将待鉴定的笔迹内容进行采集，形成图像数据；
步骤203、对收集的图像数据进行预处理，包括裁剪、分割、灰度处理，形成相等大小的正方形图像，包含一个文字，预处理过程按照行文顺序记录正方形图像顺序；
步骤204、将经过处理后的待鉴定图像按顺序输入到所述的鉴定网络S’进行推理，得到单个文字的鉴定结果；
步骤205、通过所述的身份判定规则器R，输出判断最终笔迹鉴定的置信度。
10.根据权利要求9所述的方法，其特征在于，
将步骤204和步骤205的结果作为笔迹鉴定的相关依据。
CN201911197013.1A 2019-11-29 2019-11-29 一种基于域对抗网络的笔迹鉴定方法 Active CN111046760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911197013.1A CN111046760B (zh) 2019-11-29 2019-11-29 一种基于域对抗网络的笔迹鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911197013.1A CN111046760B (zh) 2019-11-29 2019-11-29 一种基于域对抗网络的笔迹鉴定方法

Publications (2)

Publication Number Publication Date
CN111046760A true CN111046760A (zh) 2020-04-21
CN111046760B CN111046760B (zh) 2023-08-08

Family

ID=70234026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911197013.1A Active CN111046760B (zh) 2019-11-29 2019-11-29 一种基于域对抗网络的笔迹鉴定方法

Country Status (1)

Country Link
CN (1) CN111046760B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833688A (zh) * 2020-07-30 2020-10-27 上海松鼠课堂人工智能科技有限公司 基于生成对抗网络的练字***
CN112215076A (zh) * 2020-09-11 2021-01-12 西安深信科创信息技术有限公司 一种基于双塔网络的深度笔迹鉴定方法及装置
CN112312541A (zh) * 2020-10-09 2021-02-02 清华大学 一种无线定位方法及***
CN113095156A (zh) * 2021-03-23 2021-07-09 西安深信科创信息技术有限公司 一种基于逆灰度方式的双流网络签名鉴定方法及装置
WO2022089196A1 (zh) * 2020-10-27 2022-05-05 北京字节跳动网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106469560A (zh) * 2016-07-27 2017-03-01 江苏大学 一种基于无监督域适应的语音情感识别方法
CN106803082A (zh) * 2017-01-23 2017-06-06 重庆邮电大学 一种基于条件式生成对抗网络的在线笔迹识别方法
CN108550151A (zh) * 2018-04-17 2018-09-18 深圳市唯特视科技有限公司 一种基于对抗训练的反向域自适应方法
CN108764054A (zh) * 2018-04-27 2018-11-06 厦门大学 基于生成式对抗网络的机器人书写书法的方法
CN109190579A (zh) * 2018-09-14 2019-01-11 大连交通大学 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法
CN109190707A (zh) * 2018-09-12 2019-01-11 深圳市唯特视科技有限公司 一种基于对抗学习的域自适应图像语义分割方法
CN109543031A (zh) * 2018-10-16 2019-03-29 华南理工大学 一种基于多任务对抗学习的文本分类方法
CN110276708A (zh) * 2019-05-08 2019-09-24 济南浪潮高新科技投资发展有限公司 一种基于gan网络的图像数字水印生成及鉴别***及方法
US20190325861A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106469560A (zh) * 2016-07-27 2017-03-01 江苏大学 一种基于无监督域适应的语音情感识别方法
CN106803082A (zh) * 2017-01-23 2017-06-06 重庆邮电大学 一种基于条件式生成对抗网络的在线笔迹识别方法
CN108550151A (zh) * 2018-04-17 2018-09-18 深圳市唯特视科技有限公司 一种基于对抗训练的反向域自适应方法
US20190325861A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques
CN108764054A (zh) * 2018-04-27 2018-11-06 厦门大学 基于生成式对抗网络的机器人书写书法的方法
CN109190707A (zh) * 2018-09-12 2019-01-11 深圳市唯特视科技有限公司 一种基于对抗学习的域自适应图像语义分割方法
CN109190579A (zh) * 2018-09-14 2019-01-11 大连交通大学 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法
CN109543031A (zh) * 2018-10-16 2019-03-29 华南理工大学 一种基于多任务对抗学习的文本分类方法
CN110276708A (zh) * 2019-05-08 2019-09-24 济南浪潮高新科技投资发展有限公司 一种基于gan网络的图像数字水印生成及鉴别***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TUDOR N. MATEIU: ""Domain Adaptation for Handwritten Symbol Recognition: A Case of Study in Old Music Manuscripts"" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833688A (zh) * 2020-07-30 2020-10-27 上海松鼠课堂人工智能科技有限公司 基于生成对抗网络的练字***
CN112215076A (zh) * 2020-09-11 2021-01-12 西安深信科创信息技术有限公司 一种基于双塔网络的深度笔迹鉴定方法及装置
CN112215076B (zh) * 2020-09-11 2022-08-12 西安深信科创信息技术有限公司 一种基于双塔网络的深度笔迹鉴定方法及装置
CN112312541A (zh) * 2020-10-09 2021-02-02 清华大学 一种无线定位方法及***
CN112312541B (zh) * 2020-10-09 2022-01-18 清华大学 一种无线定位方法及***
WO2022089196A1 (zh) * 2020-10-27 2022-05-05 北京字节跳动网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN113095156A (zh) * 2021-03-23 2021-07-09 西安深信科创信息技术有限公司 一种基于逆灰度方式的双流网络签名鉴定方法及装置

Also Published As

Publication number Publication date
CN111046760B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN111046760A (zh) 一种基于域对抗网络的笔迹鉴定方法
Hamad et al. A detailed analysis of optical character recognition technology
Rao et al. OPTICAL CHARACTER RECOGNITION TECHNIQUE ALGORITHMS.
CN109933975A (zh) 一种基于深度学习的验证码识别方法及***
Demilew et al. Ancient Geez script recognition using deep learning
CN112907598B (zh) 一种基于注意力cnn文档证件类图像篡改检测方法
CN112862024B (zh) 一种文本识别方法及***
Nandanwar et al. A new method for detecting altered text in document images
Hinduja et al. Enhanced Character Recognition using Deep Neural Network-A Survey
Mariyathas et al. Sinhala handwritten character recognition using convolutional neural network
CN104899551B (zh) 一种表单图像分类方法
Wang et al. Fourier-residual for printer identification
Mohanty et al. A novel approach for bilingual (english-oriya) script identification and recognition in a printed document
CN113378609B (zh) 代理商代签名的识别方法及装置
Ahmad et al. Analysis of the effects and relationship of perceived handwritten signature's size, graphical complexity, and legibility with dynamic parameters for forged and genuine samples
Edan Cuneiform symbols recognition based on k-means and neural network
CN111259894A (zh) 一种证件信息鉴别方法、装置及计算机设备
Joshi et al. Combination of multiple image features along with KNN classifier for classification of Marathi Barakhadi
Ajao et al. Yoruba handwriting word recognition quality evaluation of preprocessing attributes using information theory approach
Alkhateeb Off-Line Arabic Handwritten Isolated Character Recognition
Kaur et al. Proposed approach for layout and handwritten character recognization in OCR
Hijam et al. Convolutional neural network based Meitei Mayek handwritten character recognition
Vaidya et al. Discrete cosine transform-based feature selection for Marathi numeral recognition system
Rodrigues et al. Character feature extraction using polygonal projection sweep (contour detection)
Roy et al. Recognition of handwritten text: artificial neural network approach

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

Effective date of registration: 20230711

Address after: Building S02, 1036 Gaoxin Langchao Road, Jinan, Shandong 250100

Applicant after: Shandong Inspur Scientific Research Institute 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.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant