-
Patent Agency Ranking
公开(公告)号：CN113807392A
公开(公告)日：2021-12-17
申请号：CN202110896904.7
申请日：2021-08-05
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及一种基于多预处理特征融合的篡改图像鉴别方法，其可包括以下步骤：S1、收集样本，构建训练集与验证集；S2、搭建多预处理特征提取模块；S3、将训练集中的每一张图像通过多预处理特征提取模块处理得到相应特征，并对同一张图像获取到的特征以通道维度合并，形成该图像的特征张量；S4、将特征张量输入神经网络模型进行训练直到损失收敛；S5、将验证集输入训练好的神经网络模型，获取输出结果，若输出结果大于预设阈值，则判定该图像为篡改图像。本发明通过提前提取先验特征的方式，使得模型更容易拟合到相关特征，更易于训练，能够实现对多种篡改方式进行同时鉴别。
-
公开(公告)号：CN112348015B
公开(公告)日：2022-11-18
申请号：CN202011238231.8
申请日：2020-11-09
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V20/62 , G06V10/22 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种基于级联神经网络的文字检测方法、装置及存储介质，该方法通过收集样本，并对样本进行处理生成数据集；搭建第一全卷积网络，通过数据集对第一全卷积网络进行训练至网络收敛，并通过训练后的第一全卷积网络对数据集进行推理，获得回归结果；搭建第二全卷积网络，通过回归结果对第二全卷积网络进行训练至网络收敛；将待验证图片输入第一全卷积网络，若第一全卷积网络判断在滑窗范围内存在文字，则裁剪下滑窗范围内的区域做双线性插值尺度变换并输入第二全卷积网络，通过第二全卷积网络判断区域是否为文字区域。该方法具有更好的泛化性能，并能够在保证检测准确率与召回率的同时，降低模型大小，从而提升文字检测算法性能。
-
公开(公告)号：CN113807392B
公开(公告)日：2022-09-16
申请号：CN202110896904.7
申请日：2021-08-05
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多预处理特征融合的篡改图像鉴别方法，其可包括以下步骤：S1、收集样本，构建训练集与验证集；S2、搭建多预处理特征提取模块；S3、将训练集中的每一张图像通过多预处理特征提取模块处理得到相应特征，并对同一张图像获取到的特征以通道维度合并，形成该图像的特征张量；S4、将特征张量输入神经网络模型进行训练直到损失收敛；S5、将验证集输入训练好的神经网络模型，获取输出结果，若输出结果大于预设阈值，则判定该图像为篡改图像。本发明通过提前提取先验特征的方式，使得模型更容易拟合到相关特征，更易于训练，能够实现对多种篡改方式进行同时鉴别。
-
公开(公告)号：CN112381086A
公开(公告)日：2021-02-19
申请号：CN202011229081.4
申请日：2020-11-06
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及一种结构化输出图像文字识别结果的方法及装置，该方法包括以下步骤：S1.利用光学字符识别算法(OCR)获取检测框位置信息；S2.构建带标注的关键字段数据集，其中，关键字段为待获取的信息类别；S3.设定锚定字段；S4.特征向量构建，将相对位置信息和相对宽高比用于特征向量生成；S5.训练优化分类器，用生成的特征向量对机器学习分类器进行训练和优化；S6.检测框分类，使用训练优化后的机器学习分类器对待识别图像的文字区域的检测框进行分类；S7.识别并输出结构化结果，具体地，识别检测框内的文字，并对识别后的文字进行关键信息匹配，将版式相近的文字字段校正输出，最终输出结构化结果数据。
-
公开(公告)号：CN112348015A
公开(公告)日：2021-02-09
申请号：CN202011238231.8
申请日：2020-11-09
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明公开了一种基于级联神经网络的文字检测方法、装置及存储介质，该方法通过收集样本，并对样本进行处理生成数据集；搭建第一全卷积网络，通过数据集对第一全卷积网络进行训练至网络收敛，并通过训练后的第一全卷积网络对数据集进行推理，获得回归结果；搭建第二全卷积网络，通过回归结果对第二全卷积网络进行训练至网络收敛；将待验证图片输入第一全卷积网络，若第一全卷积网络判断在滑窗范围内存在文字，则裁剪下滑窗范围内的区域做双线性插值尺度变换并输入第二全卷积网络，通过第二全卷积网络判断区域是否为文字区域。该方法具有更好的泛化性能，并能够在保证检测准确率与召回率的同时，降低模型大小，从而提升文字检测算法性能。
-
-
-
-
Search Results
5
records
(took 0.032 seconds)
