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！

龙图腾网获悉河南大学申请的专利基于浅层特征增强和注意力机制的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：CN115357944B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202210980922.8，技术领域涉及：G06F21/64；该发明授权基于浅层特征增强和注意力机制的图像篡改检测方法是由柴秀丽;宋世平;谭勇;蒋文斌;甘志华;黄紫晴;路杨;周林设计研发完成，并于2022-08-16向国家知识产权局提交的专利申请。

本基于浅层特征增强和注意力机制的图像篡改检测方法在说明书摘要公布了：本发明提供一种基于浅层特征增强和注意力机制的图像篡改检测方法。该方法包括：步骤1：构建篡改图像数据集，并将其分为训练集和测试集；步骤2：设置损失函数，基于损失函数利用训练集对构建的图像篡改检测网络进行训练，得到最优图像篡改检测网络模型；步骤3：利用最优图像篡改检测网络模型对测试集中篡改图像进行检测；其中，图像篡改检测网络包括：特征提取器、特征增强模块和注意力模块；利用特征提取器提取输入图像的浅层特征和深层特征，利用特征增强模块对提取的浅层特征进行重构，并将重构的特征与深层特征进行特征融合，利用注意力模块对融合后的特征进行筛选。本发明具有能有效捕获篡改痕迹的网络结构，实现像素级的篡改区域定位。

本发明授权基于浅层特征增强和注意力机制的图像篡改检测方法在权利要求书中公布了：1.基于浅层特征增强和注意力机制的图像篡改检测方法，其特征在于，包括： 步骤1：构建篡改图像数据集，并将其分为训练集和测试集； 步骤2：设置损失函数，基于所述损失函数利用所述训练集对构建的图像篡改检测网络进行训练，得到最优图像篡改检测网络模型； 步骤3：利用所述最优图像篡改检测网络模型对测试集中篡改图像进行检测； 其中，所述图像篡改检测网络包括：特征提取器、特征增强模块和注意力模块；利用特征提取器提取输入图像的浅层特征和深层特征，利用特征增强模块对提取的所述浅层特征进行重构，并将重构的特征与所述深层特征进行特征融合，利用注意力模块对融合后的特征进行筛选； 所述的特征增强模块对融合后的特征进行增强，具体增强过程包括： 步骤A1：浅层特征F∈RC×H×W首先通过全局平均池化得到全局平均特征G∈RC×1×1，对每个空间位置Fi,j,i∈[1,W],j∈[1,H]，计算F与G的余弦相似度得到S∈R1×H×W；C表示通道数，H表示特征图的高，W表示特征图的宽； 步骤A2：将S的尺度变换为R1×HW，然后将S进行等分量化统计为N个L＝[L1,L2,...,LN]块，N∈[1,255]，进而对每个Si,i∈[1,HW]，将其量化为量化编码向量Ei∈RN,i∈[1,HW]，S最终被量化为量化编码矩阵E∈RN×HW；其中，Si被N个函数{f1,f2,...,fN}量化，将被函数fn量化的Si用Ei,n表示： 步骤A3：给定量化编码矩阵E∈RN×HW，生成量化计数映射C∈RN×2，其中第1维表示每个量化级别，第2维表示对应的归一化计数，量化计数映射C记为： 其中Cat表示串联； 步骤A4：将全局平均特征G编码到量化计数映射C中产生统计特征D，具体为：将G上采样到RN×C，D由公式4得到： D＝CatMLPC,G4 其中，MLP表示多层感知机，用于增加量化计数映射C的维数； 步骤A5：按照公式5对统计特征D计算相似度： X＝softmaxφ1DT·φ2D5 其中，φ1和φ2表示两个不同的1×1卷积，对第一个维度执行的softmax作为非线性归一化函数； 步骤A6：通过融合其他节点的特征来更新每个节点，得到重构的量化矩阵L'∈RC×N，将重构的L'赋给每个像素，使用量化编码矩阵E∈RN×HW得到最终的输出M： L'＝φ3D·X6 其中，φ3表示1×1卷积； M＝L'·E7。

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河南大学，其通讯地址为：475001 河南省开封市顺河区明伦街85号；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”。