基于信用监督的纠纷调解数据处理方法及其系统与流程

1.本技术涉及智能校验领域，且更为具体地，涉及一种基于信用监督的纠纷调解数据处理方法及其系统。


背景技术：

2.调解制度作为重要的法律制度，在多元纠纷化解方面发挥着重要作用，但由于调解是双方或多方当事人就争议的权利、义务，在人民法院、人民调解委员会及有关组织主持下，自愿达成的争议解决办法，并不具有强制执行力。因此，调解在化解纠纷方面的功能并未得以真正发挥，很多从法院分流出去的纠纷又返流到法院，不仅没有达到尽快化解纠纷的作用，还增加了当事人诉累。
3.推动社会信用体系建设以及信用在社会治理中的应用，信用俨然开始成为基层社会治理中的重要因素。信用调解以诚信原则为前提，在调解过程中通过信用警示、联合惩戒等，倒逼失信当事人守信践诺，柔性化解社会纠纷，将“非诉挺前”的方式推动基层社会治理。
4.因此，调解员在纠纷调解工作中融入社会信用监管体系，采用“事前信用承诺”、“事中信用监督”、“事后失信惩戒”的信用调解方法，利用信息化技术将纠纷信息、调解过程进行数字化管理，调解过程中当事人签署的《信用承诺书》、《调解协议书》等证据材料上链可信存证，实现调解全程可追溯、证据材料不可篡改、纠纷调解信息安全合规处理。
5.但是，在将诸如《信用承诺书》、《调解协议书》等证据材料上链可信存证之前，虽然区块链网络能够保证上述证据材料具有不可篡改性，但是其无法在确保上链之前证据的真实性，例如，出现伪造签名等问题。
6.因此，为了提高基于信用监督的纠纷调解的有效性，期待对待上传的证据材料进行智能校验以确保其上传资料的正确性。


技术实现要素：

7.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于信用监督的纠纷调解数据处理方法及其系统，其通过证据材料中的签名与参考签名之间的对比来对待上传的证据材料进行智能校验以确保其证据材料的真实性。进而提高对待上传的证据材料进行智能校验的精准度以确保其上传资料的真实性。
8.根据本技术的一个方面，提供了一种基于信用监督的纠纷调解数据处理方法，其包括：获取待上传至区块链网络的证据材料；从所述证据材料截取用户签名区域；使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像；获取参考签名图像；将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网
络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；计算所述检测特征图和所述参考特征图之间的差分特征图；以及将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
9.在上述基于信用监督的纠纷调解数据处理方法中，所述将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，包括：使用所述第一卷积神经网络的多层卷积层对所述超像素用户签名区域图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及，计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
10.在上述基于信用监督的纠纷调解数据处理方法中，所述将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图，包括：使用所述第一空间注意力模块的卷积层对所述深度检测特征图进行卷积编码以得到第一空间注意力得分图；以及，使用softmax激活函数对所述第一空间注意力得分图进行非线性激活以得到所述第一空间注意力图。
11.在上述基于信用监督的纠纷调解数据处理方法中，所述将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，包括：使用所述第二卷积神经网络的多层卷积层对所述超像素用户签名区域图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及，计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。
12.在上述基于信用监督的纠纷调解数据处理方法中，所述将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图，包括：使用所述第二空间注意力模块的卷积层对所述深度参考特征图进行卷积编码以得到第二空间注意力得分图；以及，使用softmax激活函数对所述第二空间注意力得分图进行非线性激活以得到所述第二空间注意力图。
13.在上述基于信用监督的纠纷调解数据处理方法中，所述计算所述检测特征图和所述参考特征图之间的差分特征图，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：其中是所述检测特征图，是所述参考特征图，是所述检测特征图的每个特征值，是所述检测特征图的所有特征值的全局均值，且是所述检测特
征图的尺度，是加权超参数。
14.在上述基于信用监督的纠纷调解数据处理方法中，所述将所述差分特征图通过分类器以得到分类结果，包括：以如下公式对所述差分特征图进行处理以生成分类结果；其中，所述公式为：，其中表示将所述差分特征图投影为向量，至为各层全连接层的权重矩阵，至表各层全连接层的偏置矩阵。
15.在上述基于信用监督的纠纷调解数据处理方法中，所述证据材料为信用承诺书或调解协议书。
16.根据本技术的另一方面，提供了一种基于信用监督的纠纷调解数据处理系统，其包括：材料上传模块，用于获取待上传至区块链网络的证据材料；用户签名截取模块，用于从所述证据材料截取用户签名区域；超像素用户签名区域图像生成模块，用于使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像；参考签名图像获取模块，用于获取参考签名图像；特征提取模块，用于将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；差分模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；以及分类模块，用于将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
17.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于信用监督的纠纷调解数据处理方法。
18.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于信用监督的纠纷调解数据处理方法。
19.与现有技术相比，本技术提供的一种基于信用监督的纠纷调解数据处理方法及其系统，其通过证据材料中的签名与参考签名之间的对比来对待上传的证据材料进行智能校验以确保其证据材料的真实性。进而提高对待上传的证据材料进行智能校验的精准度以确保其上传资料的真实性。
附图说明
20.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
21.图1图示了根据本技术实施例的信用监督解纷系统功能模块图。
22.图2图示了根据本技术实施例的信用调解业务流程图。
23.图3图示了根据本技术实施例的信用监督解纷系统架构图图4图示了根据本技术实施例的信用承诺书模版。
24.图5图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法的流程图。
25.图6图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法的架构示意图。
26.图7图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法中第一卷积神经网络编码过程的流程图。
27.图8图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法中第一空间注意力图生成过程的流程图。
28.图9图示了根据本技术实施例的基于信用监督的纠纷调解数据处理系统的框图。
具体实施方式
29.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
30.场景概述如上所述，在将诸如《信用承诺书》、《调解协议书》等证据材料上链可信存证之前，虽然区块链网络能够保证上述证据材料具有不可篡改性，但是其无法在确保上链之前证据的真实性，例如，出现伪造签名等问题。因此，为了提高基于信用监督的纠纷调解的有效性，期待对待上传的证据材料进行智能校验以确保其上传资料的真实性。
31.在本技术的技术方案中，可通过证据材料中的签名与参考签名之间的对比来对待上传的证据材料进行智能校验以确保其证据材料的真实性。具体地，首先获取待上传至区块链网络的证据材料，接着从所述证据材料截取用户签名区域。例如，可通过目标检测网络智能地从所述证据材料截取所述用户签名区域，或者，可通过人工截取的方式从所述证据材料截取所述用户签名区域，对此并不为本技术所局限。
32.考虑到所述证据材料通常为扫描材料，其图像清晰度本身不高，导致通过图像截取得到的所述用户签名区域的清晰度也难以保证。为了保证对比精准度，在本技术的技术方案中，首先使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像。这里，超像素用户签名区域图像是基于对所述用户签名区域的原图进行 slic 分割处理后，计算各类簇的颜色均值而生成，其本质上是预先对颜色相似，位置相近的像素点进行了微合并。由于后续区域生长算法仅使用颜色特征与空间特征，因此有效信息依然存在于特征图中，同时由于超像素用户签名区域图像实现了对原图像的降维表达，提高了后续算法处理速度，有利于识别用户签名内容。
33.接着，获取参考签名图像，在本技术的一个具体示例中，可通过网络爬虫技术爬取与用户在其他文件的签名图像以此来作为参考图像。
34.在得到所述超像素用户签名区域图像和所述参考图像后，利用包含第一卷积神经
网络和第二卷积神经网络的孪生网络来提取所述超像素用户签名区域图像和所述参考图像在高维特征空间中的差异特征表示。具体地，首先使用所述孪生网络的第一卷积神经网络和所述第二卷积神经网络分别对所述超像素用户签名区域图像和所述参考图像进行编码以得到检测特征图和参考特征图，进而计算所述检测特征图和所述参考特征图之间的差分特征图来表示超像素用户签名区域图像和所述参考图像在高维特征空间中的差异特征表示。
35.特别地，在本技术的技术方案中，考虑到所述超像素用户签名区域图像和所述参考图像中的签名带有个人书写风格，这会呈现在用户签名的空间排布风格上，因此，使用具有空间注意力机制的第一卷积神经网络和第二卷积神经网络来捕捉用户签名在空间分布上的可鉴别特征，并给予其更高的权重以使得其在最终的所述检测特征图和所述参考特征图中更加凸显。
36.在本技术的技术方案中，考虑到slic算法实质上是基于像素聚类来表达邻域特征，具有与卷积神经网络的卷积核类似的邻域特征提取的效果。因此，当所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图时，可以认为所述检测特征图具有相对于所述参考特征图更深的层深度。因此，如果直接计算所述检测特征图和所述参考特征图之间的差分特征图，可能由于两者层深度方面的差异影响所述差分特征图的分类效果。
37.因此，优选地，对所述检测特征图和所述参考特征图采用注意力导向的分层深度联立差分计算的方式，具体为：其中是所述检测特征图，是所述参考特征图，是所述检测特征图的每个特征值，是所述检测特征图的所有特征值的全局均值，且是所述检测特征图的尺度，是加权超参数。
38.也就是，以作为深层特征的所述检测特征图的子维度一致性作为注意力导向权重，对作为浅层特征的所述参考特征图施加子维度分布的一致性注意力机制，来在具有深度差的高维流形之间进行体匹配，从而使得所述检测特征图和所述参考特征图在各个子维度上具有高一致性的联立分布，由此进行差分特征图的计算，就可以抑制所述检测特征图和所述参考特征图的层深度差异影响所述差分特征图的特征分布的一致性，从而改进差分特征图的分类效果。这样，提高对待上传的证据材料进行智能校验的精准度以确保其上传资料的真实性。
39.基于此，本技术提供了一种基于信用监督的纠纷调解数据处理方法，其包括：获取待上传至区块链网络的证据材料；从所述证据材料截取用户签名区域；使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像；获取参考签名图像；将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积
神经网络具有相同的网络结构；计算所述检测特征图和所述参考特征图之间的差分特征图；以及，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
40.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
41.示例性分析当前诉讼调解、人民调解、仲裁调解等在调解过程中采取自愿原则，由于部分当事人缺少诚信、是否履约缺乏监督、不守承诺又没有相应的惩戒措施，导致当事人各方达成调解协议后自动履行率偏低、返诉率高。这不仅浪费了大量司法资源，而且降低了调解工作的司法公信力。当前纠纷调解工作中调解员主要是通过纸质案卷管理或者采用集式存储方式的调解纠纷管理系统来录入纠纷信息和证据材料，以上方式纠纷案卷资料及电子数据容易丢失和篡改，系统中的数据无法作为电子证据使用。
42.因此，本技术通过搭建一套基于区块链技术的数字化信用调解系统，除了基本的纠纷调解业务功能以外还融合了信用承诺、信用监督、信用信息归集、信用修复等功能板块，形成一个闭环调解服务，同时系统里面上链的证据材料可以作为可信的电子证据提供司法部门使用。一方面可提升调解协议自动履行率，保障调解制度的优势；将纠纷解决在调解阶段，缓解司法机构工作压力。其次可以大幅降低调解成本、提高调解效率。并且，调解工作中产生的信用信息归集当地信用信息共享平台及司法机构，为社会信用体系建设贡献力量。如图1所示，其大体分为四个模块：一、建立信用调解模式：在纠纷调解过程中引入以信用为基础的新型监管机制即在调解过程中落实“事前信用承诺”、“事中信用监督”和“事后失信惩戒”工作机制。
43.二、信用监督机构参与调解：对不履行调解协议的失信当事人申请信用监督，由第三方信用监督机构指派公信律师对其进行公民诚信及失信惩戒的宣教，督促其履行调解协议，提高调解协议的自动履行率。
44.三、非公共信用信息归集：对信用监督后仍然不履行调解协议的失信当事人，将其失信信息归集给司法机构、地方公共信用信息平台、征信机构等，各地政府部门可依据地方信用条例开展失信联合惩戒，实现“一处失信、处处受限”，促使失信当事人履行协议。
45.四、区块链可信存证技术：采用信息化技术将纠纷信息、调解过程进行数字化管理，调解过程中当事人签署的《信用承诺书》、《调解协议书》等证据材料上链保存，实现调解全程可追溯、证据材料不可篡改、纠纷调解信息安全合规应用。
46.具体地，如图2所示，本技术通过建设一套基于区块链可信存证技术的信用调解系统，将调解业务及信用监管机制融合在一起，提升现有调解业务的工作质效。
47.1、受理阶段：调解员在受理纠纷调解前要求当事人各方签署《信用承诺书》，签署完毕后上传到数字化调解系统（信用监督解纷系统，如图3所示）中并做区块链可信存证。
48.2、调解阶段：调解员受理纠纷后，在信用监督解纷系统录入案件基本信息，并要求当事人签署《信用承诺书》（如图4所示），随后进行调解工作当事人各方达成和解后签署《调解协议书》，签署完毕后上传到数字化调解系统（信用监督解纷系统）中并做区块链可信存证。
49.3、履行阶段：当事人自行履行调解协议案结事了，若事后当事人无正当理由未自
动履行调解协议，调解员可以向第三方信用监督机构申请对失信当事人进行信用监督。
50.4、监督阶段：第三方信用监督机构接收到信用监督申请后，指派公信律师介入调查，如果查证属实，将通过电话或短信告知无正当理由未履行或拒不履行调解协议当事人失信后果，将失信当事人纳入失信“灰名单”，7日后仍未履行义务的将自动转入黑名单，同时将该失信信息归集给司法机构、地方公共信用信息平台，实现信用信息共享，由当地相关部门依据社会信用条例对失信人当事人进行信用惩戒。
51.5、信用修复阶段：失信当事人采取履行调解协议等措施后，按照当地要求向系统提交修复材料开展信用修复，经有关部门确认符合条件后，撤销相关失信记录及信用措施。
52.具体地，将操作流程分为以下步骤：第一步系统登录：用户打开pc浏览器，登录“信用监督解纷系统”。
53.第二步案件登记：用户进入系统首页，点击“案件管理”栏目，点击“新建案件”按钮，录入案件信息，点击“提交”按钮保存案件信息。
54.第三步证据上传：用户选中案件记录，点击“证据上传”按钮，选择对应证据类型，点击“添加证据”选择对应证据文件点击“确定”按钮上传完毕。
55.第四步受理案件：用户选中案件记录，点击“受理案件”按钮，选择调解员，进入案件调解阶段；点击“不受理案件”按钮，案件不受理终止调解。
56.第五步案件调解：用户点击“案件调解”按钮，点击“调解笔录”，展示笔录记录，点击“添加调解笔录”填写调解笔录信息。
57.第六步案件结案：用户选中案件记录，点击
“ꢀ
结案报告”按钮，输入调解结案信息，选择“是”上传《信用承诺书》《调解协议书》调解完成，选择“否”调解不成功案件终止。
58.第七步司法确认：用户调解完成如果各方需要司法确认，点击“司法确认”按钮，选择法院开具的《司法确认函》进行上传存证。
59.第八步信用监督：当失信当事人不履行调解协议，用户选择该案件记录，点击“信用监督”按钮，再点击“提起信用监督”按钮，选择当事人录入失信行为信息，“提交”后系统将案件信息推送第三方信用监督机构，对当事人开展信用监督宣教活动。
60.第九步信用惩戒：信用监督后仍然不履行，系统将失信当事人纳入失信“灰名单”，7日后仍未履行义务的将自动转入黑名单，同时将该失信信息归集给司法部门、地方公共信用信息平台，实现信用信息共享，由当地相关部门依据社会信用条例对失信人进行信用惩戒。
61.第十步案件速裁：当案件可以在法院速裁时，用户选中对应案件，点击“案件要素表”按钮，录入案件要素信息保存，再点击“提起速裁”按钮将该案件推送法院速裁系统。
62.第十一步案件仲裁：当案件可以在仲裁机构仲裁时，用户选中对应案件，点击“案件要素表”按钮，录入案件要素信息保存，再点击“提起仲裁”按钮将该案件推送仲裁机构仲裁系统。
63.特别地，根据本技术的技术方案在调解组织开展的试点工作，可发现纠纷调解协议的自动履行率从过去的30-40%提升至80-90%，自动履行率获得了大幅提升。同时，案件处理效率也大幅提升，试点调解组织纠纷整体处理数量与上年同期相比翻一番。
64.综上，本技术将信用嵌入调解的全过程，通过“事前信用承诺”过滤虚假调解案件提高案件质量，通过“信用监督”督促当事人履行调解协议，通过“失信约束机制”倒逼失信
当事人履行义务，从而增强公民诚信意识、自觉履行意识，过滤掉恶意调解、虚假调解等情形，提高案件的自动履行率，节约司法资源和调解资源，提升基层社会治理的能力，最终达到维护社会的和谐稳定的目标。
65.示例性方法图5图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法的流程图。如图5所示，根据本技术实施例的基于信用监督的纠纷调解数据处理方法，包括：s110，获取待上传至区块链网络的证据材料；s120，从所述证据材料截取用户签名区域；s130，使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像；s140，获取参考签名图像；s150，将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；s160，计算所述检测特征图和所述参考特征图之间的差分特征图；以及,s170，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
66.图6图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法的架构示意图。如图6所示，在该网络结构中，首先，获取待上传至区块链网络的证据材料；然后，从所述获取的证据材料截取用户签名区域；再使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像；获取参考签名图像；其次，将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；计算所述检测特征图和所述参考特征图之间的差分特征图；进而，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
67.更具体地，在步骤s110和步骤s120中，获取待上传至区块链网络的证据材料，并从所述证据材料截取用户签名区域。在本技术的一个具体示例中，所述证据材料为信用承诺书或调解协议书。
68.更具体地，在步骤s130中，使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像。考虑到所述证据材料通常为扫描材料，其图像清晰度本身不高，导致通过图像截取得到的所述用户签名区域的清晰度也难以保证。为了保证对比精准度，在本技术的技术方案中，首先使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像。这里，超像素用户签名区域图像是基于对所述用户签名区域的原图进行 slic 分割处理后，计算各类簇的颜色均值而生成，其本质上是预先对颜色相似，位置相近的像素点进行了微合并。由于后续区域生长算法仅使用颜色特征与空间特征，因此有效信息依然存在于特征图中，同时由于超像素用户签名区域图像实现了对原图像的降维表达，提高了后续算法处理速度，有利于识别用户签名内容。
69.更具体地，在步骤s140中，获取参考签名图像。在本技术的一个具体示例中，可通过网络爬虫技术爬取与用户在其他文件的签名图像以此来作为参考图像。
70.更具体地，在步骤s150和步骤s160中，将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；再计算所述检测特征图和所述参考特征图之间的差分特征图。在本技术的技术方案中，可
利用包含第一卷积神经网络和第二卷积神经网络的孪生网络来提取所述超像素用户签名区域图像和所述参考图像在高维特征空间中的差异特征表示。具体地，首先使用所述孪生网络的第一卷积神经网络和所述第二卷积神经网络分别对所述超像素用户签名区域图像和所述参考图像进行编码以得到检测特征图和参考特征图，进而计算所述检测特征图和所述参考特征图之间的差分特征图来表示超像素用户签名区域图像和所述参考图像在高维特征空间中的差异特征表示。特别地，在本技术的技术方案中，考虑到所述超像素用户签名区域图像和所述参考图像中的签名带有个人书写风格，这会呈现在用户签名的空间排布风格上，因此，使用具有空间注意力机制的第一卷积神经网络和第二卷积神经网络来捕捉用户签名在空间分布上的可鉴别特征，并给予其更高的权重以使得其在最终的所述检测特征图和所述参考特征图中更加凸显。
71.图7图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法中第一卷积神经网络编码过程的流程图。如图7所示，在所述第一卷积神经网络编码过程中，包括：s210，使用所述第一卷积神经网络的多层卷积层对所述超像素用户签名区域图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；s220，将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及，s230，计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
72.图8图示了根据本技术实施例的基于信用监督的纠纷调解数据处理方法中第一空间注意力图生成过程的流程图。如图8所示，在所述第一空间注意力图生成过程中，包括：s310，使用所述第一空间注意力模块的卷积层对所述深度检测特征图进行卷积编码以得到第一空间注意力得分图；以及,s320，使用softmax激活函数对所述第一空间注意力得分图进行非线性激活以得到所述第一空间注意力图。
73.特别地，在本技术的技术方案中，考虑到slic算法实质上是基于像素聚类来表达邻域特征，具有与卷积神经网络的卷积核类似的邻域特征提取的效果。因此，当所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图时，可以认为所述检测特征图具有相对于所述参考特征图更深的层深度。因此，如果直接计算所述检测特征图和所述参考特征图之间的差分特征图，可能由于两者层深度方面的差异影响所述差分特征图的分类效果。
74.因此，优选地，对所述检测特征图和所述参考特征图采用注意力导向的分层深度联立差分计算的方式，具体为：其中是所述检测特征图，是所述参考特征图，是所述检测特征图的每个特征值，是所述检测特征图的所有特征值的全局均值，且是所述检测特征图的尺度，是加权超参数。
75.也就是，以作为深层特征的所述检测特征图的子维度一致性作为注意力导向
权重，对作为浅层特征的所述参考特征图施加子维度分布的一致性注意力机制，来在具有深度差的高维流形之间进行体匹配，从而使得所述检测特征图和所述参考特征图在各个子维度上具有高一致性的联立分布，由此进行差分特征图的计算，就可以抑制所述检测特征图和所述参考特征图的层深度差异影响所述差分特征图的特征分布的一致性，从而改进差分特征图的分类效果。这样，提高对待上传的证据材料进行智能校验的精准度以确保其上传资料的真实性。
76.更具体地，在步骤s170中，将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
77.综上，基于本技术实施例的基于信用监督的纠纷调解数据处理方法被阐明，其通过证据材料中的签名与参考签名之间的对比来对待上传的证据材料进行智能校验以确保其证据材料的真实性。进而提高对待上传的证据材料进行智能校验的精准度以确保其上传资料的真实性。
78.示例性系统图9图示了根据本技术实施例的基于信用监督的纠纷调解数据处理系统的框图。如图9所示，根据本技术实施例的基于信用监督的纠纷调解数据处理系统300，包括：材料上传模块310；超像素用户签名区域图像生成模块320；参考签名图像获取模块330；特征提取模块340；差分模块350；以及,分类模块360。
79.其中，所述材料上传模块310，用于获取待上传至区块链网络的证据材料；所述用户签名截取模块320，用于从所述证据材料截取用户签名区域；所述超像素用户签名区域图像生成模块330，用于使用slic算法对所述用户签名区域进行处理以生成超像素用户签名区域图像；所述参考签名图像获取模块340，用于获取参考签名图像；所述特征提取模块350，用于将所述超像素用户签名区域图像和所述参考签名图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；所述差分模块360，用于计算所述检测特征图和所述参考特征图之间的差分特征图；以及，所述分类模块370，用于将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示证据材料中的签名是否真实。
80.在一个示例中，在上述基于信用监督的纠纷调解数据处理系统300中，所述特征提取模块350，包括：使用所述第一卷积神经网络的多层卷积层对所述超像素用户签名区域图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及，计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
81.在一个示例中，在上述基于信用监督的纠纷调解数据处理系统300中，所述差分模块360，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
其中是所述检测特征图，是所述参考特征图，是所述检测特征图的每个特征值，是所述检测特征图的所有特征值的全局均值，且是所述检测特征图的尺度，是加权超参数。
82.在一个示例中，在上述基于信用监督的纠纷调解数据处理系统300中，所述分类模块370，包括：以如下公式对所述差分特征图进行处理以生成分类结果；其中，所述公式为：，其中表示将所述差分特征图投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
83.综上，基于本技术实施例的基于信用监督的纠纷调解数据处理系统被阐明，其通过证据材料中的签名与参考签名之间的对比来对待上传的证据材料进行智能校验以确保其证据材料的真实性。进而提高对待上传的证据材料进行智能校验的精准度以确保其上传资料的真实性。