买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利基于混合注意力机制的多尺度图像篡改检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115578626B 。

龙图腾网通过国家知识产权局官网在2025-07-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210793450.5，技术领域涉及：G06V20/00；该发明授权基于混合注意力机制的多尺度图像篡改检测方法是由刘文犀;张皓;李琦;林心代;于元隆设计研发完成，并于2022-07-07向国家知识产权局提交的专利申请。

本基于混合注意力机制的多尺度图像篡改检测方法在说明书摘要公布了：本发明涉及一种基于混合注意力机制的多尺度图像篡改检测方法，包括以下步骤：步骤S1：获取篡改数据集并划分为训练集和测试集，然后对训练集中的篡改图像和标签进行数据预处理；步骤S2：构建融合通道注意力和空间注意力的混合注意力模块，增强篡改图像的语义信息，得到篡改区域的初始预测图；步骤S3：构建融合上下文信息的细化模块，使用多尺度特征对篡改区域的初始预测图进行细化；步骤S4：构建并训练基于混合注意力机制的多尺度图像篡改检测模型；步骤S5：将篡改图像输入到训练好的基于混合注意力机制的多尺度图像篡改检测模型中，输出对应的篡改区域掩码图。本发明有效地提高了篡改区域定位的准确性。

本发明授权基于混合注意力机制的多尺度图像篡改检测方法在权利要求书中公布了：1.一种基于混合注意力机制的多尺度图像篡改检测方法，其特征在于，包括以下步骤： 步骤S1：获取篡改数据集并划分为训练集和测试集，然后对训练集中的篡改图像和标签进行数据预处理； 步骤S2：构建融合通道注意力和空间注意力的混合注意力模块，增强篡改图像的语义信息，得到篡改区域的初始预测图； 步骤S3：构建融合上下文信息的细化模块，使用多尺度特征对篡改区域的初始预测图进行细化； 步骤S4：构建并训练基于混合注意力机制的多尺度图像篡改检测模型； 步骤S5：将篡改图像输入到训练好的基于混合注意力机制的多尺度图像篡改检测模型中，输出对应的篡改区域掩码图； 所述步骤S2具体为： 步骤S21：将来自前序模块中维度为C×H×W的特征图F4作为通道注意力模块的输入，其中C、H和W分别代表特征图的通道数、高度和宽度；通过改变特征图F4的维度得到查询Q、键K、值V，Q、K、V的维度均为C×N,其中N＝H×W表示图像的像素个数； 步骤S22：通过对Q和K的转置矩阵执行矩阵乘法计算相似度得到注意力权重，并采用Softmax层对权重进行归一化，得到通道注意力权重矩阵X，具体的表达式为： 其中，表示矩阵乘法，Softmax·表示Softmax激活函数；X的维度为C×C，其中每个元素xij代表第j个通道对第i个通道的影响； 然后，将得到的通道注意力权重矩阵X与值V相乘，并将其维度调整为C×H×W；通过残差结构将得到的结果和输入特征图F4进行连接，以增强语义特征，获得通道注意力特征图Fc，具体的表达式为： 其中，γ为可学习的比例参数，Fc的维度为C×H×W； 步骤S23：将维度为C×H×W通道注意力特征图Fc作为空间注意力模块的输入，首先对输入的特征Fc分别应用三个1×1卷积层改变其通道数，并改变其维度得到三个新的查询Q′、键K′和值V′，其中Q′,K′的维度为C8×N，V′的维度为C×N；具体的表达式为： Q′＝w1Fc+b1 K′＝w2Fc+b2 V′＝w3Fc+b3 其中，w1和b1、w2和b2、w3和b3分别为三个不同1×1卷积层的权重和偏置； 步骤S24：通过对Q′的转置Q′T和K′执行矩阵乘法计算相似度得到注意力权重，并采用Softmax层对权重进行归一化，得到空间注意力权重矩阵X′，具体的表达式为： 其中，表示矩阵乘法，Softmax·表示Softmax激活函数；X′的维度为N×N，其中每个元素x′ij代表第j个像素点对第i个像素点的影响； 然后将得到的空间注意力权重矩阵X′的转置X′T与值V′进行矩阵乘法，并将其维度调整为C×H×W；通过残差结构将得到的结果和通道注意力特征图Fc进行连接，以增强语义特征，获得空间注意力特征图Fp，具体的表达式为： 其中，γ′为可学习的比例参数，初始化为1，Fp的维度为C×H×W； 步骤S25：将S22步骤中得到的通道注意力图Fc和S24步骤中得到的空间注意力图Fp与输入的特征图F4进行拼接，拼接后的特征图维度为3C×H×W，进而通过一个1×1卷积层改变其维度为C×H×W，具体的表达式为： F′＝ConcatF4,Fp,Fc Fm＝w3F′+b3 其中，Concat·表示特征在新的维度上进行拼接，w3,b3是1×1卷积层的权重和偏置，Fm为经过混合注意力模块后语义增强的特征图； 最后对Fm应用卷积核大小为7×7、填充为3的卷积层来得到篡改区域的初始预测图 所述步骤S4具体为： 步骤S41：以ResNet50作为基础网络架构，使用其特征提取网络对步骤S1预处理之后的篡改图像进行特征提取，得到四个通道数不同的特征图X1、X2、X3、X4；通过卷积层、批量归一化层、ReLU层将四个级别特征图的通道数缩减至原来的14得到多尺度特征图F1、F2、F3、F4；将特征图F4作为混合注意力模块的输入，得到语义增强后的特征图Fm及篡改区域的初始预测图将语义增强后的特征图Fm和多尺度特征图F1、F2、F3以自顶向上的方式输入三个细化模块，分别得到三个细化后的特征图Fr 1、Fr 2、Fr 3以及篡改区域预测图选取第三个细化模块输出的预测图作为最终的预测结果； 步骤S42：混合注意力模块的损失函数Lossm通过将其输出的预测图与对应的标签值y计算逐元素二值交叉熵损失函数lossbce和逐元素交并比损失函数lossiou得到； 步骤S43：细化模块的损失函数Lossf通过将其输出的预测图与对应的标签值y计算加权的二值交叉熵损失函数losswbce和加权交并比损失函数losswiou得到； 步骤S44：基于混合注意力机制的多尺度图像篡改检测网络模型的总损失函数Lossall公式如下： 其中，Lossm表示混合注意力模块输出的损失，表示第i个细化模块输出的损失； 根据基于混合注意力机制的多尺度图像篡改检测网络模型的总损失函数，利用反向传播方法计算图像篡改检测网络模型中各参数的梯度； 步骤S45：以批次为单位重复上述步骤S41至步骤S44，直至步骤S44中计算得到的总损失值收敛并趋于稳定，保存网络参数，完成基于混合注意力机制的多尺度图像篡改检测网络模型的训练过程； 所述混合注意力模块的损失函数Lossm如下： Lossm＝lossbce+lossiou 细化模块的损失函数Lossf如下： Lossf＝losswbce+losswiou 其中代表第k个细化模块输出的预测图，αij∈[0,1]表示每个像素被赋予的权重，Aij表示像素点i,j周围的像素点。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。