CN112258425A - 一种二维码图像清晰化去模糊处理方法 - Google Patents
一种二维码图像清晰化去模糊处理方法 Download PDFInfo
- Publication number
- CN112258425A CN112258425A CN202011328246.3A CN202011328246A CN112258425A CN 112258425 A CN112258425 A CN 112258425A CN 202011328246 A CN202011328246 A CN 202011328246A CN 112258425 A CN112258425 A CN 112258425A
- Authority
- CN
- China
- Prior art keywords
- model
- generator
- training
- image
- dimensional code
- 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.)
- Pending
Links
- 238000003707 image sharpening Methods 0.000 title claims abstract description 7
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 34
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000008485 antagonism Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,特别是一种二维码图像清晰化去模糊处理方法。特别是一种基于DeblurGAN模型结合增强对扫描件二维码识别的方法,所述方法步骤包括:a)DeblurGAN模型搭建;b)QRnet结合数字图像处理生成仿真训练集;c)模型训练;d)实验数据测试,根据业务数据识别率挑选适合的权重模型。本发明旨在扫描件中二维码出现模糊难以识别的情况下,能够通过模型生成清晰可读的图像,进而方便后续的识别工作。
Description
技术领域
本发明涉及图像识别技术领域,特别是一种二维码图像清晰化去模糊处理方法。
背景技术
随着现代社会的发展,二维码技术作为物联网的核心感知技术和互联网的重要信息入口,已逐步渗透到国民经济和社会活动的各个领域,成为我国实体经济的重要组成部分和全球新兴信息产业竞争的重要战略重点,除此之外,二维码也被运用到各种票据中,例如***、车票、收据等。在票据管理上,传统票务管理依靠人工、人力成本较高,效率低,而且票据比较多,在任务繁忙的时候,传统方法需要人力熬夜加班,甚至都无法完成指标,因此,为了节省成本,提升效率,通过计算机***录入票据信息就显得尤为重要。
目前,在生产领域针对二维码识别方面已有大量开源库,例如Zbar、Zxing等,识别过程也相对简单,仅需要通过扫描成图片形式,经过检测算法将其截取出来,再用这些开源算法识别即可。但在扫描过程中,可能会造成图片像素丢失,这些问题往往导致二维码识别成功率不能满足现代社会对高效信息的需求,因此,如何通过处理将扫描件二维码图像尽可能复原成可供识别的状态成为当前迫切需要解决的问题。
目前,针对扫描件二维码图像像素丢失的情况,可以用传统图像算法来清晰化图片并去除噪声点,如图1所示。
尽管传统图像算法在处理增强大多数图片时都表现不错,但任然难以处理严重模糊的图片。
发明内容
本发明为了克服传统图像算法在处理扫描件二维码图像的不足,借鉴了一种DeblurGAN的模型,旨在消除扫描件二维码图像的噪声点,便于后续解码,进而提升二维码识别成功率。
本发明解决其技术问题所采用的技术方案为:一种二维码图像清晰化去模糊处理方法,其特征在于包括如下步骤:
(1)模型网络结构
生成器架构包含2个跨步的卷积块、9个残差块ResBlocks和2个转置卷积块组成,其中,跨步卷积块步长为2,每个残差块ResBlock由卷积层、InstanceNorm层和Relu激活层组成,并在每个ResBlock中的第一个卷积层之后添加Dropout层;使用ResOut全局跳跃连接,让生成器学习原始模糊图像的残差矫正,因此标签清晰图像为;判别器的架构它是由6个卷积块以及2个全连接层组成,卷积块中添加InstanceNorm层和LeakyReLU激活层;
(2)损失函数
将损失函数表示为内容损失和对抗损失的组合,公式如下:
对抗性损失函数我们使用WGAN-GP 作为批评函数,判别器不再输出生成图片是否为真实图片的概率,损失函数计算如下:
(3)训练集
该模型的生成器输出为256×256的图像矩阵,训练集中的每条数据对应标注一个256×256的标签图片。
还包括步骤:(4)模型训练
使用QRnet二维码生成器经过图像处理仿真生成训练集,训练的目标在于给出模糊图像作为输入的情况下恢复清晰图像,为此训练生成器,使得对于每个,它估计相应的图像,此外,在训练阶段引入批评功能并以对抗方式训练两个网络,
此模型通过Keras深度学习框架实现,训练过程如下,每一代都先在上执行五步梯度下降,然后在上执行一步,使用Adam优化算法作为优化器,对于生成器和判别器,学习率均被初始化为,每一代我们使用100张数据进行训练,此外,模型应用了Dropout正则化和InstanceNorm层,把批量大小BatchSize设定为1。
本发明公开了一种基于DeblurGAN模型结合增强对扫描件二维码识别的方法,所述方法步骤包括:a)DeblurGAN模型搭建;b)QRnet结合数字图像处理生成仿真训练集;c)模型训练;d)实验数据测试,根据业务数据识别率挑选适合的权重模型。本发明旨在扫描件中二维码出现模糊难以识别的情况下,能够通过模型生成清晰可读的图像,进而方便后续的识别工作。具体特点如下:
(1)在传统方法处理扫描件二维码图片不足的情况下,搭建一种QRnet-GAN模型达到图像清晰化去噪声的目的,进而提升各种解码方式对扫描件二维码图像的识别率。
(2)在训练数据有限且难以标注标签的情况下,使用python中的 qrcode库结合opencv数字图像处理来生成仿实验数据的训练集。
附图说明
图1为传统图像算法处理扫描件二维码示意图;
图2为本发明的DeblurGAN网络模型结构示意图;
图3为本发明的DeblurGAN效果对比展示图;
图4为DeblurGAN处理后图像与处理前解码识别成功率对比图;
图5为每一代DeblurGAN处理后图像解码识别成功率折线图。
具体实施方式
GAN网络自2014年提出以来在学术界受到了广泛推崇。在计算机视觉领域中,大部分工程任务都可以使用GAN来提升性能。
GAN网络实际上是由两个网络组成,一个是生成网络,另一个是判别网络。其实,GAN网络的核心目的在于它的生成器,而判别器的存在是为了引入对抗训练,通过这种方式让生成器能够生成高质量的图片。
GAN网络中的优化目标函数如下:
具体名词说明
ResBlocks:即残差块,残差网络中提出的一种模型结构
Conv:即卷积块,卷积网络中的一个重要单元,用于提取特征
InstanceNorm:即归一化层,在一个channel内做归一化
Relu:即修正线性单元,常用在神经网络激活层
LeakyRelu:即Relu变体,常用在神经网络激活层
ResOut:即全局跳跃连接,模型输入值和最后输出值叠加求和
Dropout:即随机失效,防止过拟合的常见方法
Adam:即一种优化算法,基于训练数据迭代地更新模型权重
BatchSize:即批量大小,每次训练传入模型的数据数量
Conv Transpose:即转置卷积,上采样的一张方法,本质上是卷积的逆操作
FC:即全连接层,全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。
为实现上述本发明目的,本发明采取的技术方案为基于图像数字处理和DeblurGAN结合提升对扫描件二维码图片识别率的方法,包括以下几个步骤:
DeblurGAN模型
本专利根据现实业务需求,基于GAN网络的性质以及其他相关文献,搭建一种名为DeblurGAN的模型,用于增强对扫描件二维码的识别。
模型网络结构
生成器架构如图2(a)所示,它包含2个跨步的卷积快,9个ResBlocks和2个转置卷积块组成。其中,跨步卷积块步长为2,每个ResBlock由卷积层,InstanceNorm层和Relu激活层组成,并在每个ResBlock中的第一个卷积层之后添加Dropout层。此外,使用ResOut全局跳跃连接,让生成器学习原始模糊图像的残差矫正,因此标签清晰图像为。这种架构可以使得训练更快,同时具有更好的泛化性能。
判别器的架构如图2(b)所示,它是由6个卷积块以及2个全连接层组成,卷积块中添加InstanceNorm层和LeakyReLU激活层。
将损失函数表示为内容损失和对抗损失的组合,公式如下:
对抗性损失函数我们使用WGAN-GP 作为批评函数,判别器不再输出生成图片是否为真实图片的概率,损失函数计算如下:
训练集
随着信息时代的高速发展,计算机信息处理能力和计算能力不断提高,神经网络的强大功能使其在生产领域发挥出前所未有的作用,但在业务数据及其匮乏、数据标签需要人为标注的前提下,有限的成本很难使其达到令人满意的效果。
一方面,本发明的业务数据量有限,没有办法使其构成一个庞大的训练集。另一方面,该模型的生成器输出为256×256的图像矩阵,这就意味着训练集中的每条数据,相对应都需要人为标注一个256×256的标签图片。如此庞大的数据处理使工程难以在有限的时间、人力成本下完成。
模型训练
本发明针对业务数据的分布,使用QRnet二维码生成器经过图像处理仿真生成训练集。训练的目标在于给出模糊图像作为输入的情况下恢复清晰图像,为此训练生成器,使得对于每个,它估计相应的图像,此外,在训练阶段引入批评功能并以对抗方式训练两个网络。
此模型通过Keras深度学习框架实现,训练过程如下,每一代都先在上执行五步梯度下降,然后在上执行一步,使用Adam优化算法作为优化器,对于生成器和判别器,学习率均被初始化为,每一代我们使用100张数据进行训练,此外,模型应用了Dropout正则化和InstanceNorm层,把批量大小BatchSize设定为1。
实验结果及分析
(1)实验数据
本次测试数据是真实场景下对扫描件中二维码区域截取而来,我们将48张实验数据选取其中的8张数据经过灰度化、去噪声之后,再放入生成器网络训练输出的结果如图3所示。
(2)实验结果
模型训练完成后,将测试集图片作为输入,经过生成器输出后得到清晰化图片,再通过Zbar、Zxing开源库的解码测试,识别率有很大提升,由于实验数据有限,我们只统计了已有的48张数据的识别率,测试结果如表1、2所示。
表1为 Zbar解码识别成功率
表2为Zxing解码识别成功率
(3)实验分析
根据图4可以看出,经过DeblurGAN处理后的图像无论是用Zbar解码还是Zxing解码,在识别率上都有大幅度提升,其中,用Zbar解码更是达到了百分之百成功率。
根据图5可以看出,随着DeblurGAN训练代数的增加,识别成功率在第50代处达到饱和。
此外,在1500代之后,成功率开始下降,这是因为尽管训练数据是仿实验数据生成的图像,但毕竟一个是生成数据,一个是现实数据,其两者之间分布还是存有不同,一直训练会导致模型对训练数据过拟合的情况。此外,在1500代之后,成功率开始下降,这是因为尽管训练数据是仿实验数据生成的图像,但毕竟一个是生成数据,一个是现实数据,其两者之间分布还是存有不同,继续训练可能产生过拟合的情况。
Claims (2)
1.一种二维码图像清晰化去模糊处理方法,其特征在于包括如下步骤:
(1)模型网络结构
生成器架构包含2个跨步的卷积块、9个残差块ResBlocks和2个转置卷积块组成,其中,跨步卷积块步长为2,每个残差块ResBlock由卷积层、InstanceNorm层和Relu激活层组成,并在每个ResBlock中的第一个卷积层之后添加Dropout层;使用ResOut全局跳跃连接,让生成器学习原始模糊图像的残差矫正,因此标签清晰图像为;判别器的架构它是由6个卷积块以及2个全连接层组成,卷积块中添加InstanceNorm层和LeakyReLU激活层;
(2)损失函数
将损失函数表示为内容损失和对抗损失的组合,公式如下:
对抗性损失函数我们使用WGAN-GP 作为批评函数,判别器不再输出生成图片是否为真实图片的概率,损失函数计算如下:
(3)训练集
该模型的生成器输出为256×256的图像矩阵,训练集中的每条数据对应标注一个256×256的标签图片。
2.根据权利要求1所述的一种二维码图像清晰化去模糊处理方法,其特征在于还包括步骤:
(4)模型训练
使用QRnet二维码生成器经过图像处理仿真生成训练集,训练的目标在于给出模糊图像作为输入的情况下恢复清晰图像,为此训练生成器,使得对于每个,它估计相应的图像,此外,在训练阶段引入批评功能并以对抗方式训练两个网络,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328246.3A CN112258425A (zh) | 2020-11-24 | 2020-11-24 | 一种二维码图像清晰化去模糊处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328246.3A CN112258425A (zh) | 2020-11-24 | 2020-11-24 | 一种二维码图像清晰化去模糊处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258425A true CN112258425A (zh) | 2021-01-22 |
Family
ID=74225439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011328246.3A Pending CN112258425A (zh) | 2020-11-24 | 2020-11-24 | 一种二维码图像清晰化去模糊处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528961A (zh) * | 2022-02-21 | 2022-05-24 | 京北方信息技术股份有限公司 | 一种可识别二维码图像生成方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学(保定) | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
CN110378844A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 |
WO2020078236A1 (zh) * | 2018-10-17 | 2020-04-23 | 京东方科技集团股份有限公司 | 二维码生成方法、装置、存储介质及电子设备 |
CN111145116A (zh) * | 2019-12-23 | 2020-05-12 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
CN111612703A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种基于生成对抗网络的图像盲去模糊方法 |
-
2020
- 2020-11-24 CN CN202011328246.3A patent/CN112258425A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020078236A1 (zh) * | 2018-10-17 | 2020-04-23 | 京东方科技集团股份有限公司 | 二维码生成方法、装置、存储介质及电子设备 |
CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学(保定) | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
CN110378844A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 |
CN111145116A (zh) * | 2019-12-23 | 2020-05-12 | 哈尔滨工程大学 | 一种基于生成对抗网络的海面雨天图像样本增广方法 |
CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
CN111612703A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种基于生成对抗网络的图像盲去模糊方法 |
Non-Patent Citations (5)
Title |
---|
DONGWOOK LEE等: "Supplementary material for "CollaGAN: Collaborative GAN for Missing Image Data Imputation"", 《CVPR》 * |
孙季丰等: "基于DeblurGAN和低秩分解的去运动模糊", 《华南理工大学学报(自然科学版)》 * |
安祺等: "基于生成对抗网络去除车辆图像运动模糊模型", 《天津师范大学学报(自然科学版)》 * |
林凡强等: "基于生成对抗网络的QR码去模糊算法", 《包装工程》 * |
林椹尠等: "利用残差密集网络的运动模糊复原方法", 《智能***学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528961A (zh) * | 2022-02-21 | 2022-05-24 | 京北方信息技术股份有限公司 | 一种可识别二维码图像生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Blind inpainting using the fully convolutional neural network | |
CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与*** | |
CN111311563A (zh) | 一种基于多域特征融合的图像篡改检测方法 | |
Zhang et al. | A deep learning approach in the discrete cosine transform domain to median filtering forensics | |
CN112991278B (zh) | RGB空域特征与LoG时域特征结合的Deepfake视频检测方法及*** | |
CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
Chen et al. | Automated design of neural network architectures with reinforcement learning for detection of global manipulations | |
Yu et al. | Robust median filtering forensics by CNN-based multiple residuals learning | |
CN113723295A (zh) | 一种基于图像域频域双流网络的人脸伪造检测方法 | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN113378949A (zh) | 一种基于胶囊网络和混合注意力的双重生成对抗学习方法 | |
CN115937693A (zh) | 一种基于遥感图像的道路识别方法及*** | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测*** | |
Li et al. | Single image super-resolution reconstruction based on fusion of internal and external features | |
An et al. | RBDN: Residual bottleneck dense network for image super-resolution | |
CN114581789A (zh) | 一种高光谱图像分类方法及*** | |
CN112258425A (zh) | 一种二维码图像清晰化去模糊处理方法 | |
Lai et al. | Generative focused feedback residual networks for image steganalysis and hidden information reconstruction | |
Singh et al. | StegGAN: hiding image within image using conditional generative adversarial networks | |
Li et al. | Adversarial feature hybrid framework for steganography with shifted window local loss | |
CN116433909A (zh) | 基于相似度加权多教师网络模型的半监督图像语义分割方法 | |
Xiu et al. | Double discriminative face super-resolution network with facial landmark heatmaps | |
CN115527253A (zh) | 一种基于注意力机制的轻量级人脸表情识别方法和*** | |
CN114299091A (zh) | 一种基于DA-Net的杂草自动分割方法 | |
CN113688715A (zh) | 面部表情识别方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |
|
RJ01 | Rejection of invention patent application after publication |