陈昌盛
- 作品数：50 被引量：16H指数：3
- 供职机构：深圳大学更多>>
- 发文基金：广东省自然科学基金中国博士后科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 防复制的二维码及二维码的防伪认证方法
- 本公开提供了一种防复制的二维码，是在二维平面上配置利用二进制代码表示的像素点阵的二维码，其特征在于，具备：数据区域，其存储有信息；以及位置检测图案，其设置在数据区域周围，其中，在数据区域内，像素点阵经过半色调处理而形成有...
- 陈昌盛李沐霖黄继武
- 文献传递
- 二维码去摩尔纹的深度残差网络的训练方法
- 本公开描述了一种二维码去摩尔纹的深度残差网络的训练方法，其包括：准备带有摩尔纹的原始二维码图像；将原始二维码图像输入预处理模块，接着进行下采样处理以形成图像缩小的预处理图像；接着将预处理图像输入至第一残差模块进行上采样处...
- 陈昌盛陆涵黄继武
- 二维码复制过程中的二维码生成、解码方法及装置
- 本申请涉及一种二维码复制过程中生成、解码方法，结合在扫描‑打印过程中二维码的通信信道模型和物理设备特征，在原始二维码信息经过编码和调制之后，进入通信信道传输之前，将认证信息以人工噪声的形式叠加到原始信息上并一起传送进通信...
- 陈昌盛谢宁罗钢
- 文献传递
- 一种二维码的防拷贝实现方法及实现系统
- 本发明公开了一种二维码的防拷贝实现方法及实现系统，方法包括：获取用户的输入信息，将输入信息转化为图像灰度值后并增加寻像图像得到二维码；当经拍摄获取所述二维码时，则依次进行图像恢复、解调及解码，得到编码信息；根据进行图像恢...
- 陈昌盛谢宁黄继武
- 文献传递
- 葡萄酒木塞的鉴伪方法
- 本公开描述一种葡萄酒木塞的分类方法，包括：采集多张葡萄酒木塞图像和与葡萄酒木塞图像关联的木塞类型的标注；对葡萄酒木塞图像进行图像预处理，从葡萄酒木塞获得多张局部纹理图像，建立包括局部纹理图像和与局部纹理图像关联的木塞类型...
- 陈昌盛吴梓贤
- 嵌入有视觉图像的二维码的生成系统和方法以及读取系统
- 本发明提供了一种嵌入有视觉图像的二维码的生成系统，其包括：处理器；存储器，其至少存储目标消息和原始图像；编码模块，其根据规定的编码算法将目标消息转换成比特数据；以及调制模块，其将预设的平铺图案与比特数据进行调制以获得调制...
- 陈昌盛周保建
- 文献传递
- 一种二维码样本的生成方法、装置、服务器和存储介质
- 本发明提供一种二维码样本的生成方法，包括：获取待复制的原始二维码；对所述原始二维码进行打印和扫描，生成第一图像；将所述第一图像输入预设的二维码重构模型，输出为第二图像；对所述第二图像进行打印和拍摄，生成复制二维码，将所述...
- 陈昌盛肖宇豪
- 扩增文档分析模型的训练数据的训练方法及训练装置
- 本公开描述了一种扩增文档分析模型的训练数据的训练方法，包括获取第一样本和用于验证的第二样本；将原始文档图像输入基于生成对抗网络的数据生成模型以获得对应的伪文档图像数据；并且基于第一样本和包括伪文档图像数据的第三样本获取目...
- 陈昌盛朱罡张书政
- 基于卷积-反卷积网络的正交人脸特征学习算法被引量：5
- 2020年
- 身份特征与表情特征是人脸图像分析中的两组重要特征,传统的有监督正交人脸特征学习(supervised orthogonal facial feature learning,SOFFL)算法虽然能够在给定表情和身份标签时学习这一对特征,但因数据要求较高令其应用受限.提出一种低数据要求的无监督正交人脸特征学习(unsupervised orthogonal facial feature learning,UOFFL)算法,通过提取正交人脸特征的统一框架,假设人脸图像空间中仅有身份和表情变化,使用重构损失、分类损失和相关性最小化损失的组合,采用深度卷积-反卷积神经网络,从已对齐的人脸图像中联合学习,提取身份和表情特征.其中,分类损失用于学习表情特征;相关性最小化损失用于提高身份特征和表情特征之间的独立性;重构损失用于确保两组特征组合的信息完整性.在大规模合成人脸表情数据集(large-scale synthesized facial expression dataset,LSFED)和受限的Radboud人脸数据集(Radboud faces dataset,RaFD)上进行验证,将所学身份特征空间中的欧氏距离用于人脸验证任务,结果表明,算法性能接近联合贝叶斯等有监督人脸识别方法.UOFFL算法可在身份标签缺失的条件下,仅使用表情特征学得身份特征.相比改进前的SOFFL算法,该方法缓解了对身份标签的依赖,适用场合更广.
- 孙文赟宋昱陈昌盛
- 关键词：人工智能人脸表情识别
- 对小样本图像进行分类的主成分分析网络的训练方法
- 本公开描述了一种对小样本图像进行分类的主成分分析网络的训练方法，包括：向第一层网络输入N幅训练图像，将图像块向量化，将图像块进行拼接，对于N幅训练图像得到矩阵X；基于N幅训练图像得到第一数量的第一类聚类，并获取各个第一聚...
- 陈昌盛宋昱黄继武
