[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110991488B - 一种使用深度学习模型的图片水印识别方法 - Google Patents

一种使用深度学习模型的图片水印识别方法 Download PDF

Info

Publication number
CN110991488B
CN110991488B CN201911090218.XA CN201911090218A CN110991488B CN 110991488 B CN110991488 B CN 110991488B CN 201911090218 A CN201911090218 A CN 201911090218A CN 110991488 B CN110991488 B CN 110991488B
Authority
CN
China
Prior art keywords
watermark
pictures
picture
training
classification
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
CN201911090218.XA
Other languages
English (en)
Other versions
CN110991488A (zh
Inventor
李森和
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.)
GUANGZHOU JIANHE NETWORK TECHNOLOGY CO LTD
Original Assignee
GUANGZHOU JIANHE NETWORK TECHNOLOGY CO LTD
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 GUANGZHOU JIANHE NETWORK TECHNOLOGY CO LTD filed Critical GUANGZHOU JIANHE NETWORK TECHNOLOGY CO LTD
Priority to CN201911090218.XA priority Critical patent/CN110991488B/zh
Publication of CN110991488A publication Critical patent/CN110991488A/zh
Application granted granted Critical
Publication of CN110991488B publication Critical patent/CN110991488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/09—Recognition of logos

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (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 Processing (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种使用深度学习模型的图片水印识别方法，包括以下步骤：S1：将图片依照其类别不同人工的划分为80个列表；S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列。本发明设计合理，较之传统的人工审核图片水印的方法，可以大大的降低人工强度，不会出现人工出现的误差，提升对带水印图片的准确识别。

Description

一种使用深度学习模型的图片水印识别方法
技术领域
本发明涉及图像检测技术领域，尤其涉及一种使用深度学习模型的图片水印识别方法。
背景技术
图像包含了多维度的丰富信息，在移动互联网新闻的领域，一直需要大量的图像和文字来传递有用的信息给用户。由于互联网信息传播极为快速和便捷，越来越多的著作权持有人和组织都把自己的logo水印嵌入图像信息里面，形成版权图片，以此来保护自身创作图片，或者授权可以用于商业，出版，展览等用途。因此，新闻客户端要对每篇新闻的图像信息进行审核，并识别图像中是否含有水印信息，避免出现误用和侵权的行为。
一方面，通过合作媒体每天生产的稿件越来越多，图像信息越来越多，每天生产的新闻达到50万篇，数量已经远远超过人工审核的限度。另一方面，水印信息在图像中的肉眼难以一眼识别，面积小、颜色浅和半透明透明等特点，带水印图像与未带水印图像之间的差异往往很小，区分度较低。因此，通过人工审核的方式，难以实现对带水印图片的准确识别，所以我们提出了一种使用深度学习模型的图片水印识别方法，用以解决上述提出的问题。
发明内容
基于背景技术存在的技术问题，本发明提出了一种使用深度学习模型的图片水印识别方法。
本发明提出的一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；
S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。
优选的，所述S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷。
优选的，所述S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库。
优选的，所述S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库。
优选的，所述S4中，管理后台为自主研发的管理后台，方便操作员统一操作。
优选的，所述S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求。
优选的，所述S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框）。
优选的，在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU2620V4*2, 显卡1080TI *2，硬盘 SSD 500G*2 + SATA ，2T*2, cuda 10.0。
与现有技术相比，采用主杆模型和添加水印图片的方式来进行训练，主杆模型通过设置的预训练来提高分类的准确性，有利于提高水印识别的效率。
本发明设计合理，较之传统的人工审核图片水印的方法，可以大大的降低人工强度，不会出现人工出现的误差，提升对带水印图片的准确识别。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例一
本实施例中提出了一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；
S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。
本实施例中，S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S4中，管理后台为自主研发的管理后台，方便操作员统一操作，S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框），在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD500G*2 + SATA ，2T*2, cuda 10.0。
实施例二
本实施例中提出了一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加2000张图片作为训练语料，总共16万张图片；
S3：对S2中添加的16万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。
本实施例中，S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S4中，管理后台为自主研发的管理后台，方便操作员统一操作，S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框），在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD500G*2 + SATA ，2T*2, cuda 10.0。
实施例三
本实施例中提出了一种使用深度学习模型的图片水印识别方法，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加3000张图片作为训练语料，总共24万张图片；
S3：对S2中添加的24万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了。
本实施例中，S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，S2中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，S4中，管理后台为自主研发的管理后台，方便操作员统一操作，S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练。然后在样本上进行特定调优（fine tunning），调优的数据集中25%的正样本（与真实框IoU在0.5-1的候选框）、75%的负样本（与真实框IoU在0.1-0.5的候选框），在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，文章中N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD500G*2 + SATA ，2T*2, cuda 10.0。
可以得出，实施例二为图片水印的最佳识别条件。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种使用深度学习模型的图片水印识别方法，其特征在于，包括以下步骤：
S1：将图片依照其类别不同人工的划分为80个列表；
S2：向80个列表中均添加1000张图片作为训练语料，总共8万张图片；
S3：对S2中添加的8万张图片的图片库进行数据增强，得到样本图片库；
S4：操作员在管理后台上传相关的水印图片，可以上传多张，并标注好水印的位置和所属分类，操作员在管理后台选中自动训练功能，管理后台就会把水印图片的位置信息和所属分类传到处理队列；
S5：对S3中样本图片库连同S4中的水印图片一起进行水印识别训练，得到81个基础骨主干模型，编辑在管理后台标注好水印位置和所属分类；
S6：把标注好的水印图片，连同增强的该水印图片的数据集，一并放入主干模型进行训练，添加水印图片的分类，训练完后就得到包含水印类别的识别水印模型；
S7：把训练好的水印模型，部署在tensorflow-gpu的服务器上，通过图片地址就能识别该图片是否包含水印了；
所述S1中，80个列表的具体分类为：人、背包、雨伞、手提包、领带、手提箱、自行车、汽车、摩托车、飞机、总线、培养、卡车、船、红绿灯、消防栓、停止标志、停车收费表、长凳、鸟、猫、狗、马、羊、牛、象、熊、斑马、长颈鹿、飞盘、滑雪板、单板滑雪、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、红酒杯、杯子、叉子、刀、勺、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨、甜甜圈、蛋糕、椅子、长椅、盆栽、床、餐桌、厕所、电视、笔记本电脑、老鼠、远程、键盘、手机、微波、烤箱、烤面包机、下沉、冰箱、书、时钟、花瓶、剪刀、泰迪熊、吹风机、牙刷，所述S3中，数据增强的方式包括仿射变换、透视变换、对比度调整、高斯噪声、区域丢弃、剪切/扩充和模糊等，得到样本多样的图片增强后的样本图片库，所述S4中，管理后台为自主研发的管理后台，方便操作员统一操作，所述S5中，训练好并保存好包含新分类的水印图片后，主干模型的识别分类就会增加1类，此时，主杆模型的识别分类增加为81，服务器的图片识别进程就会识别到主干模型发生了改变，会自动重启首先进程，然后处理图片水印请求，所述S6中，训练主干模型的过程是，首先用增强的样本图片库进行预训练，预训练是进行有监督的分类的训练，然后在样本上进行特定调优，调优的数据集中25%的正样本、75%的负样本，在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框，R个候选框可以复用N张图片前5个阶段的网络特征，N=2,R=128，服务器的参考数据为服务器是安装有Ubuntu 18.04操作系统，64G内存，CPU 2620V4*2, 显卡1080TI *2，硬盘 SSD 500G*2 + SATA ，2T*2, cuda 10.0。
CN201911090218.XA 2019-11-08 2019-11-08 一种使用深度学习模型的图片水印识别方法 Active CN110991488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911090218.XA CN110991488B (zh) 2019-11-08 2019-11-08 一种使用深度学习模型的图片水印识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911090218.XA CN110991488B (zh) 2019-11-08 2019-11-08 一种使用深度学习模型的图片水印识别方法

Publications (2)

Publication Number Publication Date
CN110991488A CN110991488A (zh) 2020-04-10
CN110991488B true CN110991488B (zh) 2023-10-20

Family

ID=70083870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911090218.XA Active CN110991488B (zh) 2019-11-08 2019-11-08 一种使用深度学习模型的图片水印识别方法

Country Status (1)

Country Link
CN (1) CN110991488B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837914A (zh) * 2020-06-08 2021-12-24 北京金山办公软件股份有限公司 一种基于人工智能的水印识别方法和识别系统
CN113222804B (zh) * 2021-06-02 2022-03-15 景德镇陶瓷大学 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096668A (zh) * 2016-08-18 2016-11-09 携程计算机技术（上海）有限公司 带水印图像的识别方法及识别系统
CN107808358A (zh) * 2017-11-13 2018-03-16 携程计算机技术（上海）有限公司 图像水印自动检测方法
CN107818321A (zh) * 2017-10-13 2018-03-20 上海眼控科技股份有限公司 一种用于车辆年检的水印日期识别方法
WO2019067730A1 (en) * 2017-09-29 2019-04-04 Digimarc Corporation METHODS AND ARRANGEMENTS FOR DETECTING WATERMARK
CN109598231A (zh) * 2018-12-03 2019-04-09 广州市百果园信息技术有限公司 一种视频水印的识别方法、装置、设备及存储介质
CN109784181A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 图片水印识别方法、装置、设备及计算机可读存储介质
CN109815653A (zh) * 2019-01-31 2019-05-28 上海计算机软件技术开发中心 一种基于深度学习的pdf文本水印提取及比对方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190213705A1 (en) * 2017-12-08 2019-07-11 Digimarc Corporation Artwork generated to convey digital messages, and methods/apparatuses for generating such artwork

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096668A (zh) * 2016-08-18 2016-11-09 携程计算机技术（上海）有限公司 带水印图像的识别方法及识别系统
WO2019067730A1 (en) * 2017-09-29 2019-04-04 Digimarc Corporation METHODS AND ARRANGEMENTS FOR DETECTING WATERMARK
CN107818321A (zh) * 2017-10-13 2018-03-20 上海眼控科技股份有限公司 一种用于车辆年检的水印日期识别方法
CN107808358A (zh) * 2017-11-13 2018-03-16 携程计算机技术（上海）有限公司 图像水印自动检测方法
CN109598231A (zh) * 2018-12-03 2019-04-09 广州市百果园信息技术有限公司 一种视频水印的识别方法、装置、设备及存储介质
CN109784181A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 图片水印识别方法、装置、设备及计算机可读存储介质
CN109815653A (zh) * 2019-01-31 2019-05-28 上海计算机软件技术开发中心 一种基于深度学习的pdf文本水印提取及比对方法

Also Published As

Publication number Publication date
CN110991488A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Arefieva et al. A machine learning approach to cluster destination image on Instagram
US20220103505A1 (en) Social media influence of geographic locations
Kirilenko et al. Sochi 2014 Olympics on Twitter: Perspectives of hosts and guests
US10356027B2 (en) Location resolution of social media posts
US20170109615A1 (en) Systems and Methods for Automatically Classifying Businesses from Images
US20150161529A1 (en) Identifying Related Events for Event Ticket Network Systems
CN104598602B (zh) 通过计算机实现的基于场景的信息推荐方法及装置
CN110555107B (zh) 确定业务对象主题、业务对象推荐的方法及装置
Nie et al. Multimodal learning toward micro-video understanding
US20170255625A1 (en) Computer-implemented method for providing multimedia content and device
CN111259192A (zh) 音频推荐方法和装置
CN102436483A (zh) 一种基于显式共享子空间的视频广告检测方法
Serra-Cantallops et al. Host community resignation to nightclub tourism
CN110991488B (zh) 一种使用深度学习模型的图片水印识别方法
CN113329261B (zh) 视频处理方法及装置
CN110489649B (zh) 标签关联内容的方法及装置
CN113810742A (zh) 一种虚拟礼物的处理方法、装置、电子设备及存储介质
Oliveira et al. Strategic communication for non-profit organisations: challenges and alternative approaches
Amengual et al. Review of methods to predict social image interestingness and memorability
Lonn et al. Smartphone picture organization: A hierarchical approach
Carah et al. Tuning machines: an approach to exploring how Instagram’s machine vision operates on and through digital media’s participatory visual cultures
Hagen et al. Image memorability prediction with vision transformers
CN107341461A (zh) 智能识别与分析技术鉴别艺术品真伪的方法及其系统
CN108153785A (zh) 生成展示信息的方法和装置
TWI804090B (zh) 學習系統、學習方法及程式產品

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