CN111046760B - 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 PDFInfo
- Publication number
- CN111046760B CN111046760B CN201911197013.1A CN201911197013A CN111046760B CN 111046760 B CN111046760 B CN 111046760B CN 201911197013 A CN201911197013 A CN 201911197013A CN 111046760 B CN111046760 B CN 111046760B
- Authority
- CN
- China
- Prior art keywords
- network
- classifier
- handwriting
- identification
- writer
- 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
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
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 (4)
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;
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;
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;
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;
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;
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;
所述的笔迹鉴定由预处理、鉴定网络S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。
2.根据权利要求1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。
3.根据权利要求1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。
4.根据权利要求3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。
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 CN111046760A (zh) | 2020-04-21 |
CN111046760B true 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) |
Families Citing this family (5)
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*** |
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 |
CN112312541B (zh) * | 2020-10-09 | 2022-01-18 | 清华大学 | 一种无线定位方法及*** |
CN112308067A (zh) * | 2020-10-27 | 2021-02-02 | 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 |
CN113095156B (zh) * | 2021-03-23 | 2022-08-16 | 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 |
Citations (8)
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325861A1 (en) * | 2018-04-18 | 2019-10-24 | Maneesh Kumar Singh | Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques |
-
2019
- 2019-11-29 CN CN201911197013.1A patent/CN111046760B/zh active Active
Patent Citations (8)
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 |
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)
Title |
---|
Tudor N. Mateiu."Domain Adaptation for Handwritten Symbol Recognition: A Case of Study in Old Music Manuscripts".9th Iberian Conference, IbPRIA 2019.2019,正文第135-145页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111046760A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046760B (zh) | 一种基于域对抗网络的笔迹鉴定方法 | |
Rao et al. | OPTICAL CHARACTER RECOGNITION TECHNIQUE ALGORITHMS. | |
US8494273B2 (en) | Adaptive optical character recognition on a document with distorted characters | |
CN109658042B (zh) | 基于人工智能的复审方法、装置、设备及存储介质 | |
CN110210413A (zh) | 一种基于深度学习的多学科试卷内容检测与识别***及方法 | |
US20090116736A1 (en) | Systems and methods to automatically classify electronic documents using extracted image and text features and using a machine learning subsystem | |
DE102011079443A1 (de) | Lerngewichtungen von Schriftarten für getippte Proben bei der Handschriftenschlüsselwortauffindung | |
CN112052852A (zh) | 一种基于深度学习的手写气象档案资料的字符识别方法 | |
CN110969681A (zh) | 一种基于gan网络的手写体书法文字生成方法 | |
CN114596566B (zh) | 文本识别方法及相关装置 | |
CN112862024A (zh) | 一种文本识别方法及*** | |
Fadhil et al. | Writers identification based on multiple windows features mining | |
CN107463866A (zh) | 一种用于成绩评价的识别手写实验报告的方法 | |
Giridhar et al. | A novel approach to ocr using image recognition based classification for ancient tamil inscriptions in temples | |
CN116797868A (zh) | 文本图像生成方法以及扩散生成模型训练方法 | |
Mariyathas et al. | Sinhala handwritten character recognition using convolutional neural network | |
CN110503101A (zh) | 字形评价方法、装置、设备及计算机可读存储介质 | |
CN104899551B (zh) | 一种表单图像分类方法 | |
CN112839185B (zh) | 用于处理图像的方法、装置、设备和介质 | |
CN112036330A (zh) | 一种文本识别方法、文本识别装置及可读存储介质 | |
Joshi et al. | Combination of multiple image features along with KNN classifier for classification of Marathi Barakhadi | |
Bannigidad et al. | Historical Kannada handwritten character recognition using machine learning algorithm | |
Hijam et al. | Convolutional neural network based Meitei Mayek handwritten character recognition | |
Sen et al. | An Algorithm to Extract Handwriting Feature for Personality Analysis | |
Singh et al. | Character Segmentation of Handwritten Text Using Machine Learning |
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: 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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |