-
-
公开(公告)号：CN109063572A
公开(公告)日：2018-12-21
申请号：CN201810729204.7
申请日：2018-07-04
Applicant: 南京信息工程大学
CPC classification number: G06K9/00107 , G06K9/00067 , G06K9/6269 , G06K9/629
Abstract: 本发明公开一种基于多尺度和多卷积层特征融合的指纹活性检测方法，属于计算机视觉技术和模式识别技术领域。首先获取指纹图像集，对指纹图像集进行多尺度特征提取训练，然后对各层特征进行主成分分析，再进行多卷积层特征融合，最后通过支持向量机模型分类器对指纹图像进行训练测试和真假鉴别。具有无需具备特定的图像处理相关领域知识，特征提取操作简单、检测精度高等优点。
-
-
公开(公告)号：CN117237787B
公开(公告)日：2024-02-06
申请号：CN202311509346.X
申请日：2023-11-14
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06V10/22 , G06V10/24 , G06V10/44 , G06V10/10 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于双层强化网络的被动篡改检测方法，双层强化网络由两部分组成：即篡改定位强化网络和篡改边缘强化网络；其方法过程为：通过主干网络编码器提取篡改图像的初始特征；将初始特征输入到篡改检测定位强化网络中，得到全局关系特征；将初始特征和全局关系特征输入到主干网络中进行解码，并输出初步检测结果；通过篡改检测边缘强化网络得到篡改图像的边缘局部关系特征；将边缘局部关系特征和初步检测结果输入到主干网络中进行解码，得到最终篡改检测结果。本发明所公开的篡改检测定位强化网络能够对篡改区域进行精准定位，并设计篡改检测边缘强化网络实现对篡改区域边缘进行精确检测。
-
公开(公告)号：CN117253262B
公开(公告)日：2024-01-30
申请号：CN202311516455.4
申请日：2023-11-15
Applicant: 南京信息工程大学
IPC: G06V40/12 , G06V10/82 , G06V10/774 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种基于共性特征学习的伪造指纹检测方法及装置，其方法包括：获取测试指纹图像；将测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；将测试共性特征输入第一分类器获取测试真伪检测结果；其中，共性特征提取器的训练损失由真伪检测损失、伪造材料鉴别损失、特征分布损失构成，通过伪造材料鉴别损失剔除共性特征中的伪造材料信息，从而提高在面对未知伪造材料的泛化能力；通过特征分布损失能够在有限的指纹数据集下学习(56)对比文件LÁZARO JANIER GONZÁLEZ-SOLER等.Fingerprint Presentation AttackDetection Based on Local FeaturesEncoding for Unknown Attacks 《.IEEEAccess》.2021,第9卷第5806-5820页.
-
Patent Agency Ranking
公开(公告)号：CN117253262A
公开(公告)日：2023-12-19
申请号：CN202311516455.4
申请日：2023-11-15
Applicant: 南京信息工程大学
IPC: G06V40/12 , G06V10/82 , G06V10/774 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种基于共性特征学习的伪造指纹检测方法及装置，其方法包括：获取测试指纹图像；将测试指纹图像输入训练好的共性特征提取器，提取测试共性特征；将测试共性特征输入第一分类器获取测试真伪检测结果；其中，共性特征提取器的训练损失由真伪检测损失、伪造材料鉴别损失、特征分布损失构成，通过伪造材料鉴别损失剔除共性特征中的伪造材料信息，从而提高在面对未知伪造材料的泛化能力；通过特征分布损失能够在有限的指纹数据集下学习到与数据相干性低的共性特征；因此，本发明能够在有限的指纹数据集下学习，实现泛化能力强和检测准确性高的优点。
-
公开(公告)号：CN116992483A
公开(公告)日：2023-11-03
申请号：CN202311030087.2
申请日：2023-08-16
Applicant: 南京信息工程大学
IPC: G06F21/62 , G06F21/60 , G06F21/57 , G06F16/9535
Abstract: 本发明公开空间众包环境下面向高维数据的隐私保护任务推荐方法，属于任务推荐领域；推荐方法包括：可信机构生成主密钥，并基于主密钥，来生成工人的密钥、数据请求者的密钥、以及云服务器的重加密密钥；工人构建数值过滤树，并用工人的密钥来加密数值过滤树，得到加密的数值过滤树；云服务器利用重加密密钥对加密的数值过滤树进行重加密；数据请求者利用密钥对编码后的查询范围进行加密，得到数值交集测试陷门和范围交集测试陷门；云服务器利用重加密密钥对数值交集测试陷门和范围交集测试陷门进行密文转换，得到转换陷门；云服务器收到重加密的数值过滤树和转换陷门后，按照从非叶子节点到叶子结点的遍历方式执行任务推荐。
-
公开(公告)号：CN115936961A
公开(公告)日：2023-04-07
申请号：CN202211462057.4
申请日：2022-11-21
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质，其中方法针对少量的隐写图像数据对，用数据增强的方式生成多组额外可用的训练样本；随机挑选一对载体图像和含秘图像，两者相减获得残差图像，将上述三张图像与以及另一张无关的载体图像组成一组训练数据，并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取，分别对锚点样本、正样本、负样本是否为含秘图像进行分类，并计算分类损失；对输入的锚点样本、正样本、负样本的特征向量计算对比损失；对输入的负样本、指导样本的特征向量计算对比指导损失；结合分类损失、对比损失和对比指导损失优化网络；抽取网络结构中的一个分支作为应用网络。
-
公开(公告)号：CN109492416B
公开(公告)日：2022-02-11
申请号：CN201811322310.X
申请日：2019-01-07
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于安全区域的大数据图像保护方法，包括：S1：采用目标检测方法选择目标安全区域，同时提取彩色图像特征；S2：采用大数据技术，利用大数据图片集训练网络模型以及测试网络模型，应用深度学习模型在目标检测中的应用算法，提取出物体区域作为信息保护的安全区域；S3：将提取的安全区域作为含密图像的隐写区域，应用隐写算法进行秘密信息隐藏。本发明能够应用深度学习模型在目标检测中的应用算法，即Mask R‑CNN实例分割方法，选择出图像中纹理噪声较为复杂的区域，即前景部分，将秘密信息准确地隐藏于前景物体中，从而实现更加隐秘的图像秘密信息隐藏保护的目的。
-
公开(公告)号：CN111898400A
公开(公告)日：2020-11-06
申请号：CN201911390493.3
申请日：2019-12-30
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于多模态特征融合的指纹活性检测方法。属于信息安全领域，本发明通过对三个卷积神经网络模型进行参数迁移和微调两个操作，并利用它们来提取指纹图像的特征；同时给出一种特征融合法则对提取的指纹图像特征进行融合操作，接着将融合的指纹图像特征输入SVM分类器进行训练和测试，以此判断待测试指纹图像的真伪；用卷积神经网络自动提取指纹图像的特征，可大大减轻算法设计人员的工作量；本发明不局限于单一的卷积神经网络模型，为了利用卷积神经网络模型的特征自学习的能力和更好地识别真假指纹图像，采用三个卷积神经网络模型对指纹图像进行特征提取和融合；对模型进行迁移学习和参数微调，可解决指纹图像训练集不足和模型过拟合的问题。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.029 seconds)
