• 15e彩票
  • 15e彩票网
  • 15e彩票官网
  • 15e彩票app
  • 15e彩票下载
  • 15e彩票新闻
  • 15e彩票注册
  • 15e彩票登录
  • 15e彩票简介
  • 15e彩票招聘
  • 15e彩票玩法
  • 15e彩票开奖
  • 15e彩票直播
  • 15e彩票手机版
  • 15e彩票电脑版
  • 15e彩票安卓版
  • 15e彩票视频
  • 当前位置:15e彩票 > 安卓下载 > 正文

    如何行使深度学习技术处理图像水印?


    admin| 更新时间:2019-06-25 20:13|点击数:未知

    作者简介:李翔,国内某互联网大厂AI民工,前携程酒店图像技术负责人,主导并参与一系列图像智能化算法的研发与落地做事。在ICCV和CVPR等学术会议及国际期刊上发外论文十余篇。

    写在前线

    水印行为一栽珍惜版权的有效手段被普及地答用于海量的互联网图像,针对水印的各栽处理显。得越来越主要,比如水印的检测和水印的去除与逆去除。在这边吾们和行家分享一下业余期间在水印智能化处理上的一些实践和追求,期待能够协助行家在更益地做到对他人图像版权珍惜的同。时,也能更益地防止本身的图像被他人滥用。

    吾们行家在平时生活中倘若下载和操纵了带有水印的互联网图像,往往既不美不益望也能够会组成侵权。为了避免操纵带有水印的图像带来的各栽影响,最直接的做法就是将带有水印的图像找出来屏舍不必,此外还有一栽不推举的做法就是去失踪图像上的水印后再操纵。

    接下来吾们将会围绕上述两栽行家常见的做法张开,最先介绍如何行使深度学习技术迅速搭建一个水印检测器,实现水印的自动检测,同。时吾们还会进一步展现在水印检测的基础上如何行使深度学习技术设计一个水印去除器,自动将图像上的水印去除。

    一个一答俱全的水印数。据集

    不论是搭建水印检测器或是水印去除器,都必要海量水印图像行为数。据基础。然而实际中并异国直接能够操纵的水印图像数。据集。因此,吾们的始要义务是构建一个水印图像数。据集。最先吾们要搜集各式各样的水印,为了保证后续模型卓异的泛化性能,水印的栽类要尽能够的众,水印形式也要尽能够的雄厚。

    吾们统统搜集了80栽来自于公司、布局和小我的水印,包括了中文、英文和logo平分歧形式。接下来就是制作带水印的图像,为了保证图像数。据的清淡性,吾们将公开的PASCAL VOC 2012数。据集的图像行为原起的无水印图像,然后行使图像处理工具将搜集的80栽水印以随机的大幼、位置和透明度打在原起图像上,同。时记。录下水印的位相新闻,从而得到第一个大周围的水印图像数。据集。

    水印数。据集的80%被划分为训练集,盈余的20%被划分为测试集,为了适答实际场景中必要机器自动检测和去除从未见过的水印的需求,吾们确保训练荟萃的水印不会出现在测试荟萃,云云能够很益地模拟实际生活中的操纵场景。现在水印图像数。据集已经准备停当,接下来就是如何去搭建水印检测器和去除器。

    能够一眼望穿各类水印的检测器

    水印在图像中的视觉隐晦性很矮,具有面积幼,颜色浅,透明度高等特点,带水印图像与未带水印图像之间的迥异往往很幼,区分度较矮。为了构建一个有效的水印检测器,吾们将图像水印检测题目转化为一栽稀奇的单现在标检测义务,即判定图像中是否有水印这一单现在标存在。

    现在基于深度学习的现在标检测模型有许众,能够分为以Faster R-CNN为代外的两阶段现在标检测算法和以YOLO和RetinaNet等为代外的单阶段现在标检测算法。前者是先由算法生成一系列待检测现在标的候选框,再经由过程卷积神经网络进走候选框的分类;后者则不必产生候选框,直接将现在标边框定位的题目转化为回归题目处理。清淡来说单阶段的算法在检测速度上会更快,但检测精度上会有所降落。吾们在这边别离基于Faster R-CNN、YOLOv2和RetinaNet这三栽现在标检测算法来搭建水印检测器,从对比的终局来望,三栽手段都表现了令人舒坦的检测造就,其中以RetinaNet最优。

    为了更添直不益望地展现吾们搭建的基于RetinaNet的水印检测器的造就,吾们将测试集上的水印检测终局可视化,蓝色的框是实际的水印区域,红色的框是检测器定位的水印区域,从可视化终局能够望出,对于未出现在训练荟萃的水印,吾们的水印检测器照样能够一眼就望穿。有了云云一款水印检测器,吾们就能够在海量图像中迅速又实在地检测出带水印的图像。

    去前走一步:从检测到去除

    倘若只是行使AI来自动检测水印,是不是总感觉少了点什么?接下来吾们在水印检测的基础上去前再走一步,行使AI实现水印的自动去除。由于水印在图像上的面积较幼,于是直接对整幅图像进走水印去除显。得过于强横,也会厉重拖慢去除速度。针对这栽情况吾们结相符水印检测设计了更贴相符实际操作的水印处理流程,吾们先经由过程水印检测器检测出水印区域,然后对水印区域进走水印去除操作。

    水印去除题目能够望作是一个从图像到图像的转换题目,即将带水印的图像转换为无水印的图像。这边吾们操纵全卷积网络来搭建水印去除器,实现这栽图像到图像的转换。全卷积网络的输入是带水印的图像区域,经过众层卷积处理后输出无水印的图像区域,吾们期待网络输出的无水印图像能够和原起的无水印图像尽能够的挨近。

    为了尽能够升迁网络输出无水印图像的质量,吾们采用U-net结构替换了传统的编解码器结构,将输入新闻增补到输出中,从而尽能够保留了图像的背景新闻。同。时吾们采用感知亏损(Perceptual Loss)和一范数。亏损(L1 Loss)相结相符的手段替换传统的均方偏差亏损(MSE Loss),使输出的无水印图像在细节和纹理上能够更贴近原图。

    吾们将水印去除器在测试集上的一些去水印造就可视化,左列是输入的水印区域,右列是输出的无水印区域。从可视化的终局能够望出对未知水印的去除造就照样不错的。

    写在末了

    针对水印的各栽处理不息是钻研的炎点,也吸引了越来越众的关注。本文介绍了如何经由过程现在通走的深度学习技术来搭建水印的检测器和去除器,实现对水印的智能处理。

    在后续的文章中,吾们会进一步介绍一栽更兴旺的水印去除器,也会挑出一些对水印逆去除的思考。值得仔细的是,版权珍惜是行家不息要坚持的事情,水印去除的钻研方针更众是为了经由过程抨击水印来验证其是否有效,从而促进水印逆去除能力的升迁。珍惜版权,AI有责。

    [1] Large-scale visible watermark detection and removal with deep convolutional networks

    [2] Focal loss for dense object detection

    [3] U-net: Convolutional networks for biomedical image segmentation

    友情链接

    Powered by 15e彩票 @2018 RSS地图 html地图