CN111553277B - 一种引入一致性约束的中文签名鉴定方法及终端 - Google Patents

一种引入一致性约束的中文签名鉴定方法及终端 Download PDF

Info

Publication number
CN111553277B
CN111553277B CN202010350217.0A CN202010350217A CN111553277B CN 111553277 B CN111553277 B CN 111553277B CN 202010350217 A CN202010350217 A CN 202010350217A CN 111553277 B CN111553277 B CN 111553277B
Authority
CN
China
Prior art keywords
signature
chinese
training
loss function
opt0
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
Application number
CN202010350217.0A
Other languages
English (en)
Other versions
CN111553277A (zh
Inventor
匡平
王豪爽
董淑婷
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010350217.0A priority Critical patent/CN111553277B/zh
Publication of CN111553277A publication Critical patent/CN111553277A/zh
Application granted granted Critical
Publication of CN111553277B publication Critical patent/CN111553277B/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
    • G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

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

Abstract

本发明属于监督学习领域，具体公开了一种引入一致性约束的中文签名鉴定方法及终端，该方法利用损失函数对中文签名鉴定全卷积网络模型进行训练，所述损失函数L包括Focal损失函数；所述损失函数L还包括与Focal损失函数共同使用的一致性约束损失函数。本发明在中文离线签名鉴定的全监督领域中创造性地运用了一致性损失，首先依赖第一组训练样本对验证签名做出正确预测，并据此通过一致性损失将验证结果信息传递至扩增的对应样本，随着模型训练时间的拉长，越来越多翻转后的样本将会得到正确预测，这也表明模型减少了背景信息的干扰，提取了更多的笔迹信息特征，从而改善了笔迹信息稀疏的难题，提高了签名鉴定率。

Description

一种引入一致性约束的中文签名鉴定方法及终端
技术领域
本发明涉及监督学习领域，特别是涉及一种引入一致性约束的中文签名鉴定方法及终端。
背景技术
自上世纪60年代起，国外研究者就开始了签名鉴定领域的相关研究。与国外的研究状态相比，国内对于签名鉴别的的研究起步较晚，虽发展迅速，但识别率还有待进一步提高，尤其是在中文签名鉴定领域，由于缺乏较为权威的公开中文数据集，中文签名鉴定的相关研究往往在个人制作的小型数据集上开展，这严重限制了我国在在离线签名鉴定领域的研究进展。并且需要指出的是，由于和英文语系相比，中文汉字的结构比较独特，签名特征亦具有其特殊性，大多数在英文签名鉴别中行之有效的方法未必能够直接迁移到中文的字体鉴定中，这也在部分文献中得到了证实，但国外的一系列研究依然具有重要的借鉴和参考价值。
在先技术中，利用Focal损失函数进行离线签名鉴别时，有很好的鉴定效果。但是在实验过程中我们发现，由于中文签字笔画是比较瘦长的，导致图像的绝大部分区域都是背景信息，所以离线签名的信息是较为稀疏的，这大大影响了现有算法的识别效果。
发明内容
本发明主要解决的技术问题是提供一种签名鉴定的方法，能够有效地鉴别离线签名。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种引入一致性约束的中文签名鉴定方法。该方法包括以下步骤：
利用损失函数对中文签名鉴定全卷积网络模型进行训练，所述损失函数L包括Focal损失函数；其特征在于：
所述损失函数L还包括与Focal损失函数共同使用的一致性约束损失函数。
所述方法在所述利用损失函数对中文签名鉴定全卷积网络模型进行训练之前，还包括以下步骤：
准备中文签名鉴定数据集，构建中文签名鉴定全卷积网络模型，并根据所述中文签名鉴定数据集选取训练签名样本；所述中文签名鉴定数据集包括参考签名和验证签名，所述训练签名样本包括多个训练签名样本组。
所述利用损失函数L对中文签名鉴定全卷积网络模型进行训练，包括：
分别将每个训练签名样本组输入到所述中文签名鉴定全卷积网络模型进行前向传播后得到输出结果，每个训练签名样本组对应的输出结果分别记为opt0、opt1、...、optx；
将所有的输出结果利用所述损失函数L进行一次反向传播对中文签名鉴定全卷积网络模型进行更新。
所述训练签名样本包括：
包括所述参考签名和验证签名的第一训练签名样本组；
优选地，所述训练签名样本还包括：
第二训练签名样本组和/或第三训练签名样本组；
所述第二训练签名样本组包括翻转前景与背景的参考签名和所述验证签名；所述第三训练签名样本组包括参考签名和翻转前景与背景的验证签名。
所述前景指签名的笔迹部分，所述背景指不包含笔迹的部分
优选地，所述损失函数L计算公式为：
L＝FL(y,opt0)+m1|opt0-opt1|+m2|opt0-opt2|+...+mx|opt0-optx|；
其中，FL(y,opt0)表示所述Focal损失函数，m1|opt0-opt1|+m2|opt0-opt2|+...+mx|opt0-optx|表示所述的一致性约束损失函数，m1～mx分别代表对应训练签名样本组的权重；y表示指定的样本真实值。
所述方法在所述利用损失函数对中文签名鉴定全卷积网络模型进行训练之后，还包括以下步骤：
对新输入的所述中文签名进行鉴定和/或对中文签名鉴定全卷积网络模型进行测试。
优选地，对所述中文签名进行鉴定时，将所述需要鉴定的中文签名与N个参考签名分别组合形成N组输入，输入到所述中文签名鉴定全卷积网络模型中，输出N个判定结果，并统计所述N个判定结果的平均值。
优选地，对所述中文签名进行鉴定时还包括设定判定阈值，当所述N个判定结果的平均值大于判定阈值时，所述中文签名为真实签名。
优选地，一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的一种引入一致性约束的中文签名鉴定方法的步骤。
本发明的有益效果是：
(1)本方法在Focal损失函数基础上引进了一致性约束损失，减少了背景信息的干扰，提取了更多的笔迹信息特征，从而改善了笔迹信息稀疏的难题。
(2)创造性地利用翻转前景和背景的方式进行数据增广得到多组训练签名样本，进而提高了签名鉴定的鉴定率。
附图说明
图1是本发明实施例的示意图；
具体实施方式
为了使本发明的技术方案、目的和有益效果更加清楚，以下结合实施例和附图对本发明作进一步地阐述。
在一示例性实施例中，一种引入一致性约束的中文签名鉴定方法包括以下步骤：
利用损失函数对中文签名鉴定全卷积网络模型进行训练，所述损失函数包括Focal损失函数。
所述损失函数还包括与Focal损失函数共同使用的一致性约束损失函数。
现有技术只利用Focal损失函数进行离线签名鉴别时，由于中文签字笔画是比较瘦长的，导致图像的绝大部分区域都是背景信息，所以离线签名的信息是较为稀疏的，这大大影响了现有算法的识别效果，而在该实施例中引入一致性约束损失函数，结合中文签名鉴定领域，减少了背景信息的干扰，提取了更多的笔迹信息特征。
而且该方法创造性地利用翻转前景和背景的方式进行数据增广得到了三组训练签名样本，模型通过最小化一致性约束损失将原始样本信息传递至翻转后的样本。
模型首先依赖第一组训练样本对验证签名做出正确预测，并据此通过一致性损失将验证结果信息传递至扩增的对应样本，随着模型训练时间的拉长，越来越多翻转后的样本将会得到正确预测，这也表明模型减少了背景信息的干扰，提取了更多的笔迹信息特征，从而改善了笔迹信息稀疏的难题。
进一步地，所述方法在所述利用损失函数对中文签名鉴定全卷积网络模型进行训练之前，还包括以下步骤：
准备中文签名鉴定数据集，构建中文签名鉴定全卷积网络模型，并根据所述中文签名鉴定数据集选取训练签名样本；所述中文签名鉴定数据集包括参考签名和验证签名，所述训练签名样本包括多个训练签名样本组。
其中，所述参考签名指的是收集到的真实签名，所述验证签名指收集到的类似签名，也是待验证真假的签名。
进一步地，如图1所示，所述利用损失函数L对中文签名鉴定全卷积网络模型进行训练，包括：
分别将每个训练签名样本组输入到所述中文签名鉴定全卷积网络模型进行前向传播后得到输出结果，每个训练签名样本组对应的输出结果分别记为opt0、opt1、...、optx；
如图1所示，该实施例中选取3组训练签名样本组。
将所有的输出结果利用所述损失函数L进行一次反向传播对中文签名鉴定全卷积网络模型进行更新。
进一步地，所述选取训练签名样本包括：
包括所述参考签名和验证签名的第一训练签名样本组；
进一步地，所述训练签名样本还包括：
第二训练签名样本组和/或第三训练签名样本组；
所述第二训练签名样本组包括翻转前景与背景的参考签名和所述验证签名；所述第三训练签名样本组包括参考签名和翻转前景与背景的验证签名。
所述前景指签名的笔迹部分，所述背景指不包含笔迹的部分。
进一步地，所述损失函数L计算公式为：
L＝FL(y,opt0)+m1|opt0-opt1|+m2|opt0-opt2|+...+mx|opt0-optx|；
其中，FL(y,opt0)表示所述Focal损失函数，
FL(y,opt0)＝-at(1-opt0)γlog(opt0),
Figure BDA0002471678920000051
at为Focal Loss中调节正负样本比例的权重因子，γ为Focal损失函数中区分难易样本的可调参数。
m1|opt0-opt1|+m2|opt0-opt2|+...+mx|opt0-optx|表示所述的一致性约束损失函数，m1～mx分别代表对应训练签名样本组为平衡一致性约束损失和FocalLoss损失的权重参数，由网络训练得到；y表示指定的样本真实值。
进一步地，采用Adam作为优化器，每批次的样本量为128，模型的初始学习率设为0.001，在每迭代五千批次学习率会为当前学习率的0.1倍，当降低到0.00001时，学习率不再进一步下降。
进一步地，所述一致性约束损失分别约束opt0与opt1、opt2的距离，模型通过最小化一致性约束损失将原始样本信息传递至翻转后的样本。
在所述利用损失函数对中文签名鉴定全卷积网络模型进行训练之后，对所述中文签名进行鉴定。
进一步地，对所述中文签名进行鉴定时，将所述需要鉴定的中文签名分别与N个参考签名组合形成N组输入，N组输入到所述中文签名鉴定全卷积网络中，输出N个判定结果，并统计所述N个判定结果的平均值。
进一步地，对所述中文签名进行鉴定时，首先依赖第一组训练样本对中文签名做出正确预测，并据此将验证结果信息传递至扩增的对应样本。
进一步地，统计N个判定结果的平均值的公式为：
Figure BDA0002471678920000061
Figure BDA0002471678920000062
其中，Ru为用户u的参考签名集合，P(u|Ru,S)为该验证签名S属于用户u的概率，
Figure BDA0002471678920000063
为卷积神经网络模型的输出。
进一步地，对所述中文签名进行鉴定时还包括设定判定阈值，设定判定阈值T＝0.5，如果P(u|Ru,S)>T，所述中文签名为真实签名，反之则为伪造签名。
进一步地，一种引入一致性约束的中文签名鉴定***，包括存储器和处理器，所述存储模块存储有参考签名与验证签名，所述处理器实现一种引入一致性约束的中文签名鉴定方法的步骤。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种引入一致性约束的中文签名鉴定方法，包括以下步骤：
利用损失函数对中文签名鉴定全卷积网络模型进行训练，所述损失函数L包括Focal损失函数；其特征在于：
所述损失函数L还包括与Focal损失函数共同使用的一致性约束损失函数；
在所述利用损失函数对中文签名鉴定全卷积网络模型进行训练之前，还包括以下步骤：
准备中文签名鉴定数据集，构建中文签名鉴定全卷积网络模型，并根据所述中文签名鉴定数据集选取训练签名样本；所述中文签名鉴定数据集包括参考签名和验证签名，所述训练签名样本包括多个训练签名样本组；
所述利用损失函数L对中文签名鉴定全卷积网络模型进行训练，包括：
分别将每个训练签名样本组输入到所述中文签名鉴定全卷积网络模型进行前向传播后得到输出结果，每个训练签名样本组对应的输出结果分别记为opt0、opt1、...、optx；
将所有的输出结果利用所述损失函数L进行一次反向传播对中文签名鉴定全卷积网络模型进行更新。
2.根据权利要求1所述的一种引入一致性约束的中文签名鉴定方法，其特征在于：所述训练签名样本包括：
包括所述参考签名和验证签名的第一训练签名样本组。
3.根据权利要求2所述的一种引入一致性约束的中文签名鉴定方法，其特征在于：所述训练签名样本还包括：
第二训练签名样本组和/或第三训练签名样本组；
所述第二训练签名样本组包括翻转前景与背景的参考签名和所述验证签名；所述第三训练签名样本组包括参考签名和翻转前景与背景的验证签名；
所述前景指签名的笔迹部分，所述背景指不包含笔迹的部分。
4.根据权利要求1所述的一种引入一致性约束的中文签名鉴定方法，其特征在于：所述损失函数L计算公式为：
L=FL(y,opt0)+m1|opt0-opt1|+m2|opt0-opt2|+...+mx|opt0-optx|;
其中，FL(y,opt0)表示所述Focal损失函数，m1|opt0-opt1|+m2|opt0-opt2|+...+mx|opt0-optx|表示所述的一致性约束损失函数，m1~mx分别代表对应训练签名样本组的权重；y表示指定的样本真实值。
5.根据权利要求1所述的一种引入一致性约束的中文签名鉴定方法，其特征在于：所述方法在所述利用损失函数对中文签名鉴定全卷积网络模型进行训练之后，还包括以下步骤：
对新输入的所述中文签名进行鉴定和/或对中文签名鉴定全卷积网络模型进行测试。
6.根据权利要求5所述的一种引入一致性约束的中文签名鉴定方法，其特征在于：对所述中文签名进行鉴定时，将需要鉴定的中文签名输入到所述中文签名鉴定全卷积网络模型中，输出N个判定结果，并统计所述N个判定结果的平均值。
7.根据权利要求6所述的一种引入一致性约束的中文签名鉴定方法，其特征在于：对所述中文签名进行鉴定时还包括设定判定阈值，当所述N个判定结果的平均值大于判定阈值时，所述中文签名为真实签名。
8.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于：所述处理器运行所述计算机指令时执行权利要求1至7中任一项所述的一种引入一致性约束的中文签名鉴定方法的步骤。
CN202010350217.0A 2020-04-28 2020-04-28 一种引入一致性约束的中文签名鉴定方法及终端 Active CN111553277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010350217.0A CN111553277B (zh) 2020-04-28 2020-04-28 一种引入一致性约束的中文签名鉴定方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010350217.0A CN111553277B (zh) 2020-04-28 2020-04-28 一种引入一致性约束的中文签名鉴定方法及终端

Publications (2)

Publication Number Publication Date
CN111553277A CN111553277A (zh) 2020-08-18
CN111553277B true CN111553277B (zh) 2022-04-26

Family

ID=72003282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010350217.0A Active CN111553277B (zh) 2020-04-28 2020-04-28 一种引入一致性约束的中文签名鉴定方法及终端

Country Status (1)

Country Link
CN (1) CN111553277B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108351A (zh) * 2017-12-05 2018-06-01 华南理工大学 一种基于深度学习组合模型的文本情感分类方法
CN108391092A (zh) * 2018-03-21 2018-08-10 四川弘和通讯有限公司 基于深度学习的危险物识别***
CN108764202A (zh) * 2018-06-06 2018-11-06 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
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
CN109215085A (zh) * 2018-08-23 2019-01-15 上海小萌科技有限公司 一种利用计算机视觉与图像识别的物品统计算法
CN109409254A (zh) * 2018-10-10 2019-03-01 成都优易数据有限公司 一种基于孪生神经网络的电子合同手写签名鉴定方法
CN110097107A (zh) * 2019-04-23 2019-08-06 安徽大学 基于卷积神经网络的苹果树干病害识别与分类方法
CN110096977A (zh) * 2019-04-18 2019-08-06 中金金融认证中心有限公司 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质
CN110222728A (zh) * 2019-05-15 2019-09-10 图灵深视(南京)科技有限公司 物品鉴别模型的训练方法、***及物品鉴别方法、设备
CN110348384A (zh) * 2019-07-12 2019-10-18 沈阳理工大学 一种基于特征融合的小目标车辆属性识别方法
CN110556129A (zh) * 2019-09-09 2019-12-10 北京大学深圳研究生院 双模态情感识别模型训练方法及双模态情感识别方法
CN110986949A (zh) * 2019-12-04 2020-04-10 日照职业技术学院 一种基于人工智能平台下的路径识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10970564B2 (en) * 2017-09-30 2021-04-06 Tusimple, Inc. System and method for instance-level lane detection for autonomous vehicle control
US10565707B2 (en) * 2017-11-02 2020-02-18 Siemens Healthcare Gmbh 3D anisotropic hybrid network: transferring convolutional features from 2D images to 3D anisotropic volumes

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108351A (zh) * 2017-12-05 2018-06-01 华南理工大学 一种基于深度学习组合模型的文本情感分类方法
CN108391092A (zh) * 2018-03-21 2018-08-10 四川弘和通讯有限公司 基于深度学习的危险物识别***
CN108764202A (zh) * 2018-06-06 2018-11-06 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN109215085A (zh) * 2018-08-23 2019-01-15 上海小萌科技有限公司 一种利用计算机视觉与图像识别的物品统计算法
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
CN109409254A (zh) * 2018-10-10 2019-03-01 成都优易数据有限公司 一种基于孪生神经网络的电子合同手写签名鉴定方法
CN110096977A (zh) * 2019-04-18 2019-08-06 中金金融认证中心有限公司 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质
CN110097107A (zh) * 2019-04-23 2019-08-06 安徽大学 基于卷积神经网络的苹果树干病害识别与分类方法
CN110222728A (zh) * 2019-05-15 2019-09-10 图灵深视(南京)科技有限公司 物品鉴别模型的训练方法、***及物品鉴别方法、设备
CN110348384A (zh) * 2019-07-12 2019-10-18 沈阳理工大学 一种基于特征融合的小目标车辆属性识别方法
CN110556129A (zh) * 2019-09-09 2019-12-10 北京大学深圳研究生院 双模态情感识别模型训练方法及双模态情感识别方法
CN110986949A (zh) * 2019-12-04 2020-04-10 日照职业技术学院 一种基于人工智能平台下的路径识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究;包萍等;《电子测量与仪器学报》;20190315;第33卷(第3期);176-183 *
基于尺度乘积的X射线焊缝区域提取算法研究;匡平等;《电子科技大学学报》;20150930;第44卷(第5期);737-742 *

Also Published As

Publication number Publication date
CN111553277A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
WO2021135910A1 (zh) 基于机器阅读理解的信息抽取方法、及其相关设备
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
CN104966097B (zh) 一种基于深度学习的复杂文字识别方法
CN104239858B (zh) 一种人脸特征验证的方法和装置
CN110458187B (zh) 一种恶意代码家族聚类方法和***
CN104849650B (zh) 一种基于改进的模拟电路故障诊断方法
CN102201236A (zh) 一种高斯混合模型和量子神经网络联合的说话人识别方法
CN103366182B (zh) 基于全监督非负矩阵分解的人脸识别方法
WO2019232861A1 (zh) 手写模型训练方法、文本识别方法、装置、设备及介质
CN109255339B (zh) 基于自适应深度森林人体步态能量图的分类方法
CN109859222A (zh) 基于级联神经网络的边缘提取方法及***
CN114241564A (zh) 一种基于类间差异强化网络的人脸表情识别方法
CN115659823A (zh) 基于属性约简的翼型气动力系数预测方法、电子设备及存储介质
CN109842614B (zh) 基于数据挖掘的网络入侵检测方法
CN110120231B (zh) 基于自适应半监督非负矩阵分解的跨语料情感识别方法
CN113469338B (zh) 模型训练方法、模型训练装置、终端设备及存储介质
CN111553277B (zh) 一种引入一致性约束的中文签名鉴定方法及终端
CN113850013B (zh) 一种舰船辐射噪声分类方法
CN106909881A (zh) 基于无人机遥感影像提取玉米育种基地垄数的方法及***
CN113505692B (zh) 基于受试者工作特征曲线下部分面积优化的人脸识别方法
CN110378414A (zh) 基于进化策略的多模态生物特征融合的身份识别方法
CN109460427A (zh) 一种面向用户动态偏好挖掘的节目嵌入方法
CN115830673A (zh) 一种基于最小间隔损失函数的深度人脸识别方法
CN108171769A (zh) 一种基于dna的序列的人脸模型生成方法及人脸生成方法
CN103793720A (zh) 一种眼睛定位方法和***

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