CN111639718B - 分类器应用方法及装置 - Google Patents
分类器应用方法及装置 Download PDFInfo
- Publication number
- CN111639718B CN111639718B CN202010505890.7A CN202010505890A CN111639718B CN 111639718 B CN111639718 B CN 111639718B CN 202010505890 A CN202010505890 A CN 202010505890A CN 111639718 B CN111639718 B CN 111639718B
- Authority
- CN
- China
- Prior art keywords
- classifier
- training
- sample set
- training sample
- fake
- 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
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种分类器应用方法及装置,其中方法包括:接收待识别图像;输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得含有图像破坏的伪造训练样本;输出所述分类结果。由于采用真实训练样本集之外的其它训练样本训练分类器,所以训练后获得的分类器可以识别真实训练样本集之外的图像,从而提高分类器的鲁棒性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及分类器应用方法及装置。
背景技术
深度学习在计算机视觉、语音识别等领域有很多突破性的进展和应用。但众所周知,如果训练样本集和测试样本集的分布不同,则机器模型的准确性会降低。即由于训练样本集大小和种类有限,若测试样本集中包含训练样本集所不具有种类的测试样本,则会导致机器模型缺少鲁棒性。
在图像识别领域中训练样本集和测试样本集会出现分布不同的情况。例如,训练样本集中未包含受到某种类型破坏的图像,基于训练样本集训练获得分类器。在测试样本集包含受到该种类型破坏图像情况下(例如干净票据上多一些折痕或者划线),分类器对于测试样本集中受到破坏图像的识别准确率会大大降低。
为了避免上述情况,通常会利用数据增强方法向训练样本集中添加噪声,以来提高基于训练样本集训练后获得分类器的鲁棒性。
发明内容
申请人研究过程中发现:
可以采用对抗式生成网络(GAN)来提高分类器的准确率,对抗式生成网络中数据增强过程为:生成网络向真实图像中添加噪声以构建与真实图像尽可能相似的伪造图像,利用真实图像和伪造图像来训练分类器,以便分类器能够准确分别出真实图像和伪造图像,以便提高分类器的准确率。
虽然对抗式生成网络中的生成网络可以在构建伪造图像时添加噪声来训练生成器和判别器,但是对抗式生成网络中的生成器的目标是利用生成器将噪声分布不断迭代,进而逼近训练集的真实分布,最终生成的伪造图像与真实图像尽可能相同,从而使得判别器分辨不出样本是生成的还是真实的。。
虽然对抗式生成网络给生成器中添加噪声,但是由于添加噪声的目的是使伪造图像与真实图像尽可能接近,所以伪造图像中并未添加真实图像之外的图像破坏。也即,对抗式生成网络中的生成网络并未提供超出训练样本集之外的图像破坏类型。
鉴于此,本申请提供一种分类器应用方法及装置,其中的分类器借助于训练样本集和由噪声发生器输出的伪造样本集进行训练后获得,噪声发生器可以尽可能的输出与训练样本集中样本包含不同图像破坏类型的伪造样本,从而提高分类器的鲁棒性。
为了实现上述目的,本发明提供了下述技术特征:
一种分类器应用方法,包括:
接收待识别图像;
输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的含图像破坏的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本;
输出所述分类结果。
可选的,在接收待识别图像之前还包括:
迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件;
利用测试样本集验证所述分类器;
若所述分类器的准确率大于预设准确率,则保存所述分类器;
若所述分类器的准确率不大于预设准确率,则进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤。
可选的,所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件包括:
基于所述真实训练样本集和激活函数构建噪声发生器;
输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成含有图像破坏的伪造训练样本集;
利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件。
可选的,若所述分类器的准确率不大于预设准确率,在进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤之前,还包括:调整所述激活函数的参数获得更新后的激活函数。
可选的,利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件之前,还包括:
对所述伪造训练集执行筛选操作,获得与所述真实训练样本差别大于阈值的伪造训练样本;
将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。
一种分类器应用装置,包括:
接收单元,用于接收待识别图像;
输入单元,用于输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得含有图像破坏的伪造训练样本;
输出单元,用于输出所述分类结果。
可选的,在接收单元之前还包括:
训练单元,用于迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件;
验证单元,用于利用测试样本集验证所述分类器;若所述分类器的准确率大于预设准确率,则保存所述分类器;若所述分类器的准确率不大于预设准确率,则进入训练单元。
可选的,所述训练单元包括:
构建单元,用于基于所述真实训练样本集和激活函数构建噪声发生器;
生成单元,用于输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成伪造训练样本集;
训练分类器单元,用于利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件。
可选的,若所述分类器的准确率不大于预设准确率,在进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤之前,还包括:
调整单元,用于调整所述激活函数的参数获得更新后的激活函数。
可选的,在训练分类器单元之前,还包括:
筛选单元,用于对所述伪造训练集执行筛选操作,获得与所述真实训练样本差别大于阈值的伪造训练样本;将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。
通过以上技术手段,可以实现以下有益效果:
本发明提供了一种分类器应用方法,可以基于真实训练样本集和经噪声发生器输出的含有多种图像破坏类型的伪造训练样本集训练并获得分类器,由于噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本,所以训练样本集中可以具有与真实训练样本集之外的其它训练样本也即伪造训练样本。
由于采用真实训练样本集之外的其它训练样本训练分类器,所以训练后获得的分类器可以识别真实训练样本集含有的图像破坏之外的破坏图像,从而提高分类器的鲁棒性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种分类器应用***的结构示意图;
图2为本申请实施例公开的一种分类器训练方法实施例一的流程图;
图3为本申请实施例公开的一种分类器训练方法实施例二的流程图;
图4为本申请实施例公开的一种分类器应用方法的流程图;
图5为本申请实施例公开的一种分类器应用装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明提供一种分类器应用***,参见图1,可以包括:
终端100,用于发送待识别图像至服务器,接收并展示服务器发送的分类结果。
服务器200,用于接收所述待识别图像,输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得含有图像破坏的伪造训练样本;发送所述分类结果至终端。
本发明提供分类器应用***,可以基于真实训练样本集和经噪声发生器输出的含有多种图像破坏类型的伪造训练样本集训练并获得分类器,由于噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本,所以训练样本集中可以具有与真实训练样本集之外的其它训练样本也即伪造训练样本。
由于采用真实训练样本集之外的其它训练样本训练分类器,所以训练后获得的分类器可以识别真实训练样本集所含的图像破坏之外的含其他类型破坏的破坏图像,从而提高分类器的鲁棒性。
本发明提供一种分类器训练方法实施例一,参见图2包括以下步骤:
步骤S200:获取真实训练样本集和测试样本集。
步骤S201:迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件。
本步骤可以包括以下步骤:
步骤S2011:基于所述真实训练样本集和激活函数构建噪声发生器。
输入真实训练样本集至神经网络模型,捕获真实训练样本中的破坏类型。通过对抗性地学习真实训练样本集的破坏类型分布,也即通过反向传播算法训练神经网络模型中激活函数,将训练结束后的神经网络模型确定为噪声发生器。
噪声发生器可以为训练样本中多个像素点输出独立同分布的噪声分布(可以是多种分布形式),从而生成含有多种图像破坏类型的破坏图像。可选的,可以为每个像素点输出独立同分布的噪声分布。
步骤S2012:输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成含有图像破坏的伪造训练样本集。
可以分别输入真实训练样本集中训练样本至噪声发生器,噪声发生器可以为真实训练样本中多个像素点添加随机噪声。
可选的,可以为真实训练训练样本中每个像素点添加随机噪声,从而生成含有图像破坏的伪造训练样本。多个伪造训练样本组成伪造训练样本集。
由于噪声发生器可以随机为像素点添加噪声,所以伪造训练样本与真实训练样本大概率是不同的,也即真实训练样本与伪造训练样本具有不同的破坏类型。
步骤S2013:利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件。
利用真实训练样本集和真实训练样本集之外的伪造训练样本集一起训练分类器,这样分类器不仅可以学习到真实训练样本集中图像破坏类型,还可以学习到伪造训练样本集中的图像破坏类型,从而提高分类器的鲁棒性。
步骤S202:利用测试样本集验证所述分类器。
利用测试样本集对分类器进行有监督的验证,若分类器对一个测试样本分类成功,则验证成功次数加一;若分类器对一个测试样本的分类失败,则验证失败次数加一。
利用验证成功次数和验证失败次数来计算分类器的准确率。
步骤S203:判断分类器的准确率是否大于预设准确率。若是则进入步骤S204,若否则进入步骤S201。
步骤S204:若所述分类器的准确率大于预设准确率,则保存所述分类器。
若分类器的准确率大于预设准确率,则说明分类器经过测试样本集验证后,准确率大于预设准确率,分类器训练完成。
若分类器的准确率不大于预设准确率,则说明分类器不能通过验证,需要继续训练分类器,因此进入步骤S201重复迭代训练所述分类器和所述噪声发生器直到所述分类器达到训练结束条件。然后再次验证分类器是否能够通过验证,若仍然不能通过验证则继续进入步骤S201,直到分类器通过验证。
本发明提供一种分类器训练方法实施例二,在实施例一基础上增加步骤S205和步骤S2013。参见图3,包括以下步骤:
步骤S200:获取真实训练样本集和测试样本集。
步骤S201:迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件。
本步骤可以包括以下步骤:
步骤S2011:基于所述真实训练样本集和激活函数构建噪声发生器。
输入真实训练样本集至神经网络模型,捕获真实训练样本中的破坏类型。通过对抗性地学习真实训练样本集的破坏类型分布,也即通过反向传播算法训练神经网络模型中激活函数,将训练结束后的神经网络模型确定为噪声发生器。
噪声发生器可以为训练样本中多个像素点输出独立同分布的噪声分布(可以是多种分布形式)。可选的,可以为每个像素点添加噪声分布。
步骤S2012:输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成伪造训练样本集。
可以分别输入真实训练样本集中训练样本至噪声发生器,噪声发生器可以为真实训练样本中多个像素点添加随机噪声。可选的,可以为真实训练训练样本中每个像素点添加随机噪声,从而生成伪造训练样本。多个伪造训练样本组成伪造训练样本集。
由于噪声发生器可以随机为像素点添加噪声,所以伪造训练样本与真实训练样本大概率是不同的,也即真实训练样本与伪造训练样本具有不同的破坏类型。
步骤S2013:对所述伪造训练集执行筛选操作,获得与所述真实训练样本差别大于阈值的伪造训练样本;将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。
为了使得真实用于训练分类器的伪造训练样本集与真实训练样本集的差别足够大,可以对伪造训练样本集进行筛选操作,从伪造训练样本集执行筛选操作,从中筛选与真实训练样本的欧式距离大于阈值的伪造训练样本,将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。这样可以进一步提升后续分类器的鲁棒性。
步骤S2014:利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件。
利用真实训练样本集和真实训练样本集之外的伪造训练样本集一起训练分类器,这样分类器不仅可以学习到真实训练样本集中图像破坏类型,还可以学习到伪造训练样本集中的图像破坏类型,从而提高分类器的鲁棒性。
步骤S202:利用测试样本集验证所述分类器。
利用测试样本集对分类器进行有监督的验证,若分类器对一个测试样本分类成功,则验证成功次数加一;若分类器对一个测试样本的分类失败,则验证失败次数加一。
利用验证成功次数和验证失败次数来计算分类器的准确率。
步骤S203:判断分类器的准确率是否大于预设准确率。若是则进入步骤S204,若否则进入步骤S205。
步骤S204:若所述分类器的准确率大于预设准确率,则保存所述分类器。
若分类器的准确率大于预设准确率,则说明分类器经过测试样本集验证后,准确率大于预设准确率,分类器训练完成。
步骤S205:若所述分类器的准确率不大于预设准确率,调整所述激活函数的参数获得更新后的激活函数,进入步骤S201。
若分类器的准确率不大于预设准确率,则说明噪声发生器产生的噪声未完全覆盖测试样本集中图形破坏类型。因此,可以调整噪声发生器中激活函数的参数,以便噪声发生器可以产生新的噪声分布。
若分类器的准确率不大于预设准确率,则说明分类器不能通过验证,需要继续训练分类器,因此进入步骤S201重复迭代训练所述分类器和所述噪声发生器直到所述分类器达到训练结束条件。
然后再次验证分类器是否能够通过验证,若仍然不能通过验证则继续进入步骤S201,直到分类器通过验证。
在获得分类器之后保存分类器,以便应用分类器对图像进行分类操作。
本发明提供一种分类器应用方法,以用于详细介绍服务器的具体执行过程。参见图4,包括以下步骤:
步骤S401:接收待识别图像。
服务器可以接收待识别图像,以便对待识别图像进行分类操作。本实施例可以适用于很多对图像进行分类的应用场景。
步骤S402:输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的含图像破坏的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本。
步骤S403:输出所述分类结果。
服务器可以输出分类结果,并发送至终端,以供终端可以展示分类结果。
通过以上技术手段,可以实现以下有益效果:
本发明提供了一种分类器应用方法,可以基于真实训练样本集和经噪声发生器输出的伪造训练样本集训练并获得分类器,由于噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本,所以训练样本集中可以具有与真实训练样本集之外的其它训练样本也即伪造训练样本。
由于采用真实训练样本集之外的其它训练样本训练分类器,所以训练后获得的分类器可以识别真实训练样本集之外的图像,从而提高分类器的鲁棒性。
参见图5,本发明还提供了一种分类器应用装置,包括:
接收单元51,用于接收待识别图像。
输入单元52,用于输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的含图像破坏的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本。
输出单元53,用于输出所述分类结果。
其中,在接收单元51之前还包括:
训练单元54,用于迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件;
验证单元55,用于利用测试样本集验证所述分类器;若所述分类器的准确率大于预设准确率,则保存所述分类器;若所述分类器的准确率不大于预设准确率,则进入训练单元。
其中所述训练单元54包括:
构建单元541,用于基于所述真实训练样本集和激活函数构建噪声发生器;
生成单元542,用于输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成伪造训练样本集;
训练分类器单元543,用于利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件。
调整单元544,若所述分类器的准确率不大于预设准确率,在进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤之前,用于调整所述激活函数的参数获得更新后的激活函数。
在训练分类器单元543之前,还包括:
筛选单元545,用于对所述伪造训练集执行筛选操作,获得与所述真实训练样本差别大于阈值的伪造训练样本;将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。
关于分类器应用装置的具体实现可以参见图2-图4所示的实施例,在此不再赘述。
通过以上技术手段,可以实现以下有益效果:
本发明提供了一种分类器应用方法,可以基于真实训练样本集和经噪声发生器输出的伪造训练样本集训练并获得分类器,由于噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本,所以训练样本集中可以具有与真实训练样本集之外的其它训练样本也即伪造训练样本。
由于采用真实训练样本集之外的其它训练样本训练分类器,所以训练后获得的分类器可以识别真实训练样本集之外的图像,从而提高分类器的鲁棒性。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种分类器应用方法,其特征在于,包括:
接收待识别图像;
输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的含图像破坏的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得伪造训练样本;
输出所述分类结果;
在接收待识别图像之前还包括:
迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件;
利用测试样本集验证所述分类器;
若所述分类器的准确率大于预设准确率,则保存所述分类器;
若所述分类器的准确率不大于预设准确率,则进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤;
所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件包括:
基于所述真实训练样本集和激活函数构建噪声发生器;
输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成含有图像破坏的伪造训练样本集;
利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件;
利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件之前,还包括:
对所述伪造训练样本集执行筛选操作,获得与所述真实训练样本差别大于阈值的伪造训练样本;
将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。
2.如权利要求1所述的方法,其特征在于,
若所述分类器的准确率不大于预设准确率,在进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤之前,还包括:调整所述激活函数的参数获得更新后的激活函数。
3.一种分类器应用装置,其特征在于,包括:
接收单元,用于接收待识别图像;
输入单元,用于输入所述待识别图像至分类器获得分类器的分类结果;其中,所述分类器由真实训练样本集和经噪声发生器输出的伪造训练样本集训练后获得,所述噪声发生器随机地向真实训练样本中添加噪声获得含有图像破坏的伪造训练样本;
输出单元,用于输出所述分类结果;
在接收单元之前还包括:
训练单元,用于迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件;
验证单元,用于利用测试样本集验证所述分类器;若所述分类器的准确率大于预设准确率,则保存所述分类器;若所述分类器的准确率不大于预设准确率,则进入训练单元;
所述训练单元包括:
构建单元,用于基于所述真实训练样本集和激活函数构建噪声发生器;
生成单元,用于输入所述真实训练样本集至所述噪声发生器,所述噪声发生器向多个真实训练样本的多个像素点添加随机噪声,生成伪造训练样本集;
训练分类器单元,用于利用所述真实训练样本集和所述伪造训练样本集训练分类器,直到所述分类器达到训练结束条件;
在训练分类器单元之前,还包括:
筛选单元,用于对所述伪造训练样本集执行筛选操作,获得与所述真实训练样本差别大于阈值的伪造训练样本;将与所述真实训练样本差别大于阈值的伪造训练样本,重新组成所述伪造训练样本集。
4.如权利要求3所述的装置,其特征在于,
若所述分类器的准确率不大于预设准确率,在进入所述迭代训练所述分类器和所述噪声发生器,直到所述分类器达到训练结束条件的步骤之前,还包括:
调整单元,用于调整所述激活函数的参数获得更新后的激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505890.7A CN111639718B (zh) | 2020-06-05 | 2020-06-05 | 分类器应用方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505890.7A CN111639718B (zh) | 2020-06-05 | 2020-06-05 | 分类器应用方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639718A CN111639718A (zh) | 2020-09-08 |
CN111639718B true CN111639718B (zh) | 2023-06-23 |
Family
ID=72333032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505890.7A Active CN111639718B (zh) | 2020-06-05 | 2020-06-05 | 分类器应用方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807281B (zh) * | 2021-09-23 | 2024-03-29 | 深圳信息职业技术学院 | 图像检测模型的生成方法、检测方法、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632134A (zh) * | 2013-10-17 | 2014-03-12 | 浙江师范大学 | 基于Fisher低秩矩阵恢复的人脸识别方法 |
CN107862785A (zh) * | 2017-10-16 | 2018-03-30 | 深圳市中钞信达金融科技有限公司 | 票据鉴定方法及装置 |
CN108960278A (zh) * | 2017-05-18 | 2018-12-07 | 英特尔公司 | 使用生成式对抗网络的鉴别器的新奇检测 |
CN109190665A (zh) * | 2018-07-30 | 2019-01-11 | 国网上海市电力公司 | 一种基于半监督生成对抗网络的通用图像分类方法和装置 |
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359372B (zh) * | 2008-09-26 | 2011-05-11 | 腾讯科技(深圳)有限公司 | 分类器的训练方法及装置、识别敏感图片的方法及装置 |
-
2020
- 2020-06-05 CN CN202010505890.7A patent/CN111639718B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632134A (zh) * | 2013-10-17 | 2014-03-12 | 浙江师范大学 | 基于Fisher低秩矩阵恢复的人脸识别方法 |
CN108960278A (zh) * | 2017-05-18 | 2018-12-07 | 英特尔公司 | 使用生成式对抗网络的鉴别器的新奇检测 |
CN107862785A (zh) * | 2017-10-16 | 2018-03-30 | 深圳市中钞信达金融科技有限公司 | 票据鉴定方法及装置 |
CN109190665A (zh) * | 2018-07-30 | 2019-01-11 | 国网上海市电力公司 | 一种基于半监督生成对抗网络的通用图像分类方法和装置 |
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
Non-Patent Citations (2)
Title |
---|
John Wright等.Robust Face Recognition via Sparse Representation.IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE.2009,第31卷(第2期),全文. * |
董西伟.有监督和半监督多视图特征学习方法研究.博士学位论文.2020,(第2020年第02期),第50-51页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111639718A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765131B (zh) | 基于微表情的信贷审核方法、装置、终端及可读存储介质 | |
CN110309840B (zh) | 风险交易识别方法、装置、服务器及存储介质 | |
CN107391569B (zh) | 数据类型的识别、模型训练、风险识别方法、装置及设备 | |
CN108304858B (zh) | 对抗样本识别模型生成方法、验证方法及其*** | |
WO2021189364A1 (zh) | 一种对抗图像生成方法、装置、设备以及可读存储介质 | |
CN110096977B (zh) | 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质 | |
US20200125836A1 (en) | Training Method for Descreening System, Descreening Method, Device, Apparatus and Medium | |
Cozzolino et al. | Towards universal gan image detection | |
Mazumdar et al. | Universal image manipulation detection using deep siamese convolutional neural network | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN111639718B (zh) | 分类器应用方法及装置 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN111813593B (zh) | 一种数据处理方法、设备、服务器及存储介质 | |
CN111488950B (zh) | 分类模型信息输出方法及装置 | |
CN113269123B (zh) | 证件识别方法和*** | |
CN111860212B (zh) | 人脸图像的超分方法、装置、设备及存储介质 | |
CN114065867B (zh) | 一种数据分类方法、***及电子设备 | |
CN113516107B (zh) | 一种图像检测方法 | |
US11250254B2 (en) | Methods and systems for detecting photograph replacement in a photo identity document | |
CN114140670B (zh) | 基于外源特征进行模型所有权验证的方法和装置 | |
CN115223178B (zh) | 签名真伪验证方法、***、终端设备及存储介质 | |
KR102451552B1 (ko) | 딥 러닝 기반의 콘텐츠의 진위를 판단하기 위한 콘텐츠 분석 시스템 | |
EP4184398A1 (en) | Identifying, or checking integrity of, a machine-learning classification model | |
CN114140670A (zh) | 基于外源特征进行模型所有权验证的方法和装置 | |
Vedamurthy et al. | A reliable solution to detect deepfakes using Deep 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |