一种基于Resnet和Transformer的手写签名检测方法技术

本发明专利技术提供了计算机视觉技术领域的一种基于Resnet和Transformer的手写签名检测方法，包括如下步骤：步骤S10、基于Transformer构建Backbone，基于RepB l ock构建Neck，基于解耦检测头构建Head；步骤S20、基于所述Backbone、Neck以及Head构建签名检测模型；步骤S30、获取大量的手写签名照片，利用各所述手写签名照片对签名检测模型进行训练；步骤S40、利用训练后的所述签名检测模型进行手写签名检测。本发明专利技术的优点在于：极大的提升了手写签名检测的准确率以及速度。名检测的准确率以及速度。名检测的准确率以及速度。

【技术实现步骤摘要】
一种基于Resnet和Transformer的手写签名检测方法


[0001]本专利技术涉及计算机视觉
，特别指一种基于Resnet和Transformer的手写签名检测方法。

技术介绍

[0002]手写签名用于识别签名人身份并表明签名人认可文件的内容，其具备法律效力；随着电子化办公的盛行，产生了检测手写签名的需求。针对手写签名的检测，目前主要采用由Backbone、Neck和Head构建的检测模型进行检测，Backbone采用Resnet
‑
50作为骨干网络，用于提取图片中的特征，Neck用于收集骨干网络提取的不同特征并做处理以增强模型效果，Head即检测头，用于预测目标的类别和在图片中的位置。
[0003]然而，Resnet
‑
50虽然具有强大的视觉表示学习能力，其局部信息建模的结构能够充分使用空间局部性和平移等边性，但由于只能对局部信息建模，缺少长距离建模和感知的能力，导致手写签名检测的准确率和速度欠佳。
[0004]因此，如何提供一种基于Resnet和Transformer的手写签名检测方法，实现提升手写签名检测的准确率以及速度，成为一个亟待解决的技术问题。

技术实现思路

[0005]本专利技术要解决的技术问题，在于提供一种基于Resnet和Transformer的手写签名检测方法，实现提升手写签名检测的准确率以及速度。
[0006]本专利技术是这样实现的：一种基于Resnet和Transformer的手写签名检测方法，包括如下步骤：
[0007]步骤S10、基于Transformer构建Backbone，基于RepBlock构建Neck，基于解耦检测头构建Head；
[0008]步骤S20、基于所述Backbone、Neck以及Head构建签名检测模型；
[0009]步骤S30、获取大量的手写签名照片，利用各所述手写签名照片对签名检测模型进行训练；
[0010]步骤S40、利用训练后的所述签名检测模型进行手写签名检测。
[0011]进一步地，所述步骤S10中，所述Backbone的构建过程如下：
[0012]使用Transformer的CoT模块替换Resnet
‑
50网络中的各3
×
3卷积，得到CoTnet
‑
50网络，基于所述CoTnet
‑
50网络构建Backbone。
[0013]进一步地，所述步骤S10中，所述Neck的构建过程如下：
[0014]使用RepBlock替换CSP
‑
Block进而构建Neck；
[0015]所述RepBlock包含RepVGGBlock，利用3
×
3卷积替代训练阶段的所述RepVGGBlock。
[0016]进一步地，所述步骤S10中，所述Head的构建过程如下：
[0017]基于Hybrid Channels策略生成的解耦检测头构建Head。
[0018]进一步地，所述步骤S20中，所述签名检测模型的损失函数如下：
[0019]L
loss
＝L
cls
+L
reg
；
[0020]L
cls
＝
‑
ω
pos
×
ln(s)
‑
ω
neg
×
ln(1
‑
s)；
[0021]L
reg
＝ω
pos
×
CIoU(b
gt
，b
pre
)；
[0022]其中，L
loss
表示签名检测模型的损失函数；ω
pos
表示正样本的分配权重；ω
neg
表示负样本的分配权重；s表示预测的类别得分；b
gt
表示真实的bbox；b
pre
表示预测的bbox；CIoU()表示Complete
‑
IoU Loss函数。
[0023]本专利技术的优点在于：
[0024]通过将Transformer的CoT模块移植到Resnet
‑
50网络中，作为整个签名检测模型的Backbone，通过CoT模块将上下文的挖掘与自注意力的学习集成到统一的框架中，充分探索邻近的上下文信息，以一种高效的方式提升自注意力的学习，进而提升Backbone输出特征的表达能力；通过RepBlock替换Neck中常用的CSP
‑
Block，使得签名检测模型能保持较好的多尺度特征融合能力，在硬件上能进行高效推理，且利用3
×
3卷积替代训练阶段的RepVGGBlock，进一步提升签名检测模型的推理速度；通过将损失函数中的IoU Loss替换为Complete
‑
IoU Loss，充分考虑预测框和目标框的重叠面积、中心点距离、长宽比这几个几何因素，使得签名检测模型收敛的精度更高，最终极大的提升了手写签名检测的准确率以及速度。
附图说明
[0025]下面参照附图结合实施例对本专利技术作进一步的说明。
[0026]图1是本专利技术一种基于Resnet和Transformer的手写签名检测方法的流程图。
[0027]图2是本专利技术CoT模块的网络结构图。
[0028]图3是本专利技术Neck的网络结构图。
[0029]图4是本专利技术RepBlock的网络结构图。
[0030]图5是本专利技术RepVGGBlock的网络结构图。
[0031]图6是本专利技术RepVGGBlock的结构重新参数化的示意图。
[0032]图7是本专利技术Head的网络结构图。
具体实施方式
[0033]请参照图1至图7所示，本专利技术一种基于Resnet和Transformer的手写签名检测方法的较佳实施例，包括如下步骤：
[0034]步骤S10、基于Transformer构建Backbone，基于RepBlock构建Neck，基于解耦检测头构建Head；
[0035]步骤S20、基于所述Backbone、Neck以及Head构建签名检测模型；
[0036]步骤S30、获取大量的手写签名照片，利用各所述手写签名照片对签名检测模型进行训练；
[0037]步骤S40、利用训练后的所述签名检测模型进行手写签名检测。
[0038]所述步骤S10中，所述Backbone的构建过程如下：
[0039]使用Transformer的CoT模块替换Resnet
‑
50网络中的各3
×
3卷积，得到CoTnet
‑
50
网络，基于所述CoTnet
‑
50网络构建Backbone。Transforme本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Resnet和Transformer的手写签名检测方法，其特征在于：包括如下步骤：步骤S10、基于Transformer构建Backbone，基于RepBlock构建Neck，基于解耦检测头构建Head；步骤S20、基于所述Backbone、Neck以及Head构建签名检测模型；步骤S30、获取大量的手写签名照片，利用各所述手写签名照片对签名检测模型进行训练；步骤S40、利用训练后的所述签名检测模型进行手写签名检测。2.如权利要求1所述的一种基于Resnet和Transformer的手写签名检测方法，其特征在于：所述步骤S10中，所述Backbone的构建过程如下：使用Transformer的CoT模块替换Resnet
‑
50网络中的各3
×
3卷积，得到CoTnet
‑
50网络，基于所述CoTnet
‑
50网络构建Backbone。3.如权利要求1所述的一种基于Resnet和Transformer的手写签名检测方法，其特征在于：所述步骤S10中，所述Neck的构建过程如下：使用RepBlock替换CSP
‑
Block进而构建Neck；所述RepBlock包含RepVGGBlock，利用3
×
3卷积替代训练阶段的所述RepVGGBlock。4.如权利要求1所述的一种基于Resnet和Tran...

【专利技术属性】
技术研发人员：张西，王雷，赵庆勇，林克，
申请(专利权)人：福建新大陆软件工程有限公司，
类型：发明
国别省市：