【技术实现步骤摘要】
【国外来华专利技术】数字样本图像的复制防止
[0001]本专利技术涉及一种用于训练基于人工智能的神经网络的计算机实施的方法,该神经网络适用于在不认证安全特征的情况下将数字图像分类为是否被视为安全文件,一种用于至少一个安全文件的复制防止的计算机实施的方法,一种钞票检测器以及一种计算机程序产品。
技术介绍
[0002]与安全有关的文件诸如机票或钞票时常经受仿制行为,例如伪造行为。处理伪造文件的一项措施涉及评估可疑文件的真实性。然而,这种方法是一种下游活动,从某种意义上说,在对可疑文件执行认证过程时,原始文件已经被仿制。因此,与认证相关的措施不太可取。
[0003]原始文件的仿制品(reproduction)可以借助于扫描设备、打印机和/或复印设备来执行。仿制品也可以被视为诸如数据转换的数据复制过程。在这方面,假如文件在被仿制时有可能被视为原始安全文件,则避免仿制行为本身是有利的。在这种情况下,仿制品甚至在被执行前就避免了。在安全文件中包括的专门安全特征的方面,存在这样的方法。这就意味着,对于讨论中的给定文件,评估该文件是否包括最初包含在安全文件内的安全特征。然而,出于以下几个原因,这些方法是不利的。第一,在安全特征方面的评估是复杂的,并且要求精密的设备。第二,这样的评估过程将需要包含有关安全特征的特定信息。如果伪造者揭示评估过程,他们将获得该信息。第三,伪造者可能攻击安全特征以及讨论中的文件内所包括的修改后特征,这可能会导致评估方法的结果不正确。
[0004]为了防止上面所描述的行为的目的,存在各种安全特征。它们可以是例如由 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.用于训练基于人工智能的神经网络(150)的计算机实施的方法(100),所述神经网络(150)适用于在不认证安全特征的情况下将数字图像分类为是否被视为安全文件(110,A),所述方法(100)包括或由以下组成:a)提供至少一个安全文件(110,A)的至少一个数字图像(A1)作为基准,b)提供数字训练图像(120,B1)的集合,其中,所述数字训练图像(120,B1)与所述安全文件(110,A)的数字图像(A1)相比有所变更,所述数字训练图像(120,B1)的集合包括正类数字训练图像的第一子集(125,B1
‑
1)或由其组成,其具有变更的视觉影响使得无偏人类观察者将相应数字训练图像(125,B1
‑
1)的仿制品视为表示安全文件(110,A)或多个安全文件(110,A),所述数字训练图像(120,B1)的集合包括负类数字训练图像的第二子集(130,B1
‑
2)或由其组成,其具有变更的视觉影响使得无偏人类观察者不将相应数字训练图像(130,B1
‑
2)的仿制品视为表示安全文件(110,A)或多个安全文件(110,A),以及c)向所述基于人工智能的神经网络(150)提供用于步骤b)中每个数字训练图像(120,B1)的基准真值(140),其中,所述基准真值(140)表示一个或多个无偏人类观察者的、关于相应数字训练图像(120,B1)的仿制品要被视为表示还是不表示安全文件(110,A)或多个安全文件(110,A)的至少一个接受水平。2.根据权利要求1所述的方法(100),其中,步骤b)中至少一个变更后的数字训练图像(120,B1)被降质,其中,所述数字训练图像的降质基于:训练文件(B),其已经被化学或物理攻击过,或训练文件(B)的数字图像,其中所述数字图像已经被数字攻击过。3.根据前述权利要求中任一项所述的方法(100),其中,步骤b)中至少一个变更后的数字训练图像(120,B1)与所述安全文件(110,A)的数字图像(A1)在分辨率、清晰度、一般性外观、形状、颜色、颜色分布和纵横比中的至少一个方面不同。4.根据前述权利要求中任一项所述的方法(100),其中,步骤b)中至少一个变更后的数字训练图像(120,B1)与所述安全文件(110,A)的数字图像(A1)在透视角、底层照明、着色、褶皱或折痕中的至少一个方面不同。5.根据前述权利要求中任一项所述的方法(100),其中,所述安全文件(110,A)包括一个或多个图形设计特征,特别是肖像或建筑形象或自然图形图像,并且其中步骤b)中至少一个数字训练图像(120,B1)与所述安全文件(110,A)的数字图像(A1)的不同之处在于至少一个设计特征被不同的设计特征替代,特别是不同的肖像或不同的建筑形象或不同的自然图像。6.根据前述权利要求中任一项所述的方法(100),其中,所述基准真值(140)表示至少四个无偏人类观察者的接受水平,并且其中所述基准真值(140)包括至少五个不同的接受水平或由其组成。7.根据前述权利要求中任一项所述的方法(100),其中,所述安全文件(110,A)是钞票,其中在步骤a)中分别包括所述钞票的正面图像(A2)和反面图像(A3)的两个数字图像被提供,并且其中在步骤b)中每个正类数字训练图像(125,B1
‑
1)具有变更的视觉影响使得无偏人类观察者将相应数字训练图像(125,B1
‑
1)的仿制品视为表示安全文件(110,A)或多个安全文件(110,A)的正面图像(A2)和/或反面图像(A3)。
8.根据前述权利要求中任一项所述的方法(100),其中,所述方法使用具有一个或多个神经层的深度神经网络(150)来执行,特别地,其中每层独立于其他层表现出若干神经元和/或其中每层具有分支或非分支的架构结构。9.根据前述权利要求中任一项所述的方法(100),其中,所述基于人工智能的神经网络(150)包括机器学习能力。10.根据前述权利要求中任一项所述的方法(100),其中,所述方法(100)针对多个安全文件(110,A)的闭合集合被执行,其中所述基于人工智能的神经网络(150)针对所述安全文件(110,A)的闭合集合的每个安全文件(110,A)被训练。11.根据前述权利要求中任一项所述的方法(100),其中,所述神经网络(150)使用残差神经网络,其额外地利用了跳过连接和/或捷径以跳过至少一层,优选地其中所述残差神经网络包含50层或更多层;或者使用inception网络,其结合具有不同核大小的卷积,优选具有3
×
3核的两个卷积;或者使用DenseNet,其使用密集块,其中每层接收来自所有先前层的输入,优选是具有121层的DenseNet。12.根据权利要求11所述的方法(100),其中,通用图像数据集还被提供,并且在利用步骤a)和步骤b)的数字图像(120)进行训练所述神经网络之前,所述神经网络(150)利用大的通用图像数据集进行预训练。13.根据权利要求11或12所述的方法(100),其中,步骤a)和步骤b)的所述数字图像(120)被提供有相同的标准化大小,优选地其中在预训练的情况下步骤a)和步骤b)的所述数字图像(120)被提供有与用于预训练的图像数据相同的标准化大小,优选地其中图像大小是(64,128)、(128,256)、(192,384)、(256,512)或(299,299)中的一个,更优选地(64,128)。14.根据前述权利要求中任一项所述的方法(100),其中,所述方法(100)在步骤a)和步骤b)中使用总计8个或更多个、16个或更多个、或32个或更多个数字图像(120)的批量大小。15.根据前述权利要求中任一项所述的方法(100...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。