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！

龙图腾网获悉安徽大学申请的专利基于Lora和不确定性估计的隐私保护开放集人脸识别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：CN120913282B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202511448924.2，技术领域涉及：G06V40/50；该发明授权基于Lora和不确定性估计的隐私保护开放集人脸识别方法是由金哲;董兴波;张慧;钱彦宏设计研发完成，并于2025-10-11向国家知识产权局提交的专利申请。

本基于Lora和不确定性估计的隐私保护开放集人脸识别方法在说明书摘要公布了：本发明涉及信息安全与人工智能技术领域，具体地说，涉及基于Lora和不确定性估计的隐私保护开放集人脸识别方法，包括以下步骤：生成哈希码集合，预训练基础特征编码器提取人脸特征，映射人脸特征至哈希码集合中的二进制哈希码，定义为目标加密密钥，构建密钥空间；选取为查询样本，多次微调基础特征编码器为个性化特征编码器，将查询样本在不同条件下的面部特征收敛至映射的目标加密密钥；微调基础特征编码器时，联合总损失学习关于输出的证据值，认证阶段，计算出不确定性，若不确定性值大于不确定性阈值，则拒绝访问请求，若不确定性值不大于预不确定性阈值，则执行预测密钥与数据库中加密密钥的逐位匹配。

本发明授权基于Lora和不确定性估计的隐私保护开放集人脸识别方法在权利要求书中公布了：1.基于Lora和不确定性估计的隐私保护开放集人脸识别方法，其特征在于，包括以下步骤： S1、生成哈希码集合，预训练基础特征编码器提取人脸特征，映射人脸特征至哈希码集合中唯一的二进制哈希码，定义为目标加密密钥，解耦人脸特征与目标加密密钥之间的潜在关联，构建密钥空间； S2、选取密钥空间中人脸图像为查询样本，采用低秩适应技术多次微调基础特征编码器为个性化特征编码器，将查询样本在不同条件下的面部特征收敛至映射的目标加密密钥； 所述低秩适应技术多次微调基础特征编码器为个性化特征编码器的工作步骤如下： S2.1、选取密钥空间中同一身份信息对应的人脸图像为查询样本，并启动训练，在基础特征编码器靠近输出的全连接层中插入两个低秩矩阵，形成新的权重矩阵，得到初次微调后的个性化特征编码器，个性化特征编码器提取查询样本中的适应性特征； S2.2、输入适应性特征至映射函数，映射函数包含翻转层、dropout层、全连接层和Softplus激活函数，通过全连接层分支输出原始证据值和预测密钥，再经Softplus激活函数处理原始证据值，确保输出为非负值，得到最终的证据值，并同步生成预测密钥和证据值； S2.3、计算微调基础特征编码器后的总损失：特征空间损失、哈希空间损失和证据分类损失之和； 特征空间损失为适应性特征与人脸特征之间的余弦相似度损失；哈希空间损失为预测密钥与目标加密密钥之间的匹配程度；证据分类损失包括有均方误差项和KL散度正则化项；均方误差项为适应性特征对应人脸图像属于不同用户的概率值、KL散度正则化项为适应性特征对应人脸图像概率值与人脸图像实际所属用户概率值的差异； S2.4、预设损失阈值，若总损失小于等于预设损失阈值，则判断基础特征编码器仍需调整，并进行反向传播：将个性化特征编码器中映射函数的输出反向传递至基础特征编码器靠近输出的全连接层，计算预测密钥和证据值对总损失的梯度：基于哈希空间损失和证据分类损失，计算损失对映射函数的偏导数； 再计算插入两个低秩矩阵的梯度：基于特征空间损失和哈希空间损失，计算损失对低秩矩阵的偏导数； S2.5、采用优化器根据反向传播梯度，按梯度下降原则更新初插入两个低秩矩阵的权重值：权重新值等于权重旧值减去学习率乘以梯度； S2.6、迭代过程：每次训练迭代重复S2.1-S2.5，直至总损失大于预设损失阈值，得到每个查询样本微调后的个性化特征编码器； S3、微调基础特征编码器时，联合总损失学习关于输出的证据值，推导出个性化特征编码器输出预测密钥时的“不确定”程度；认证阶段，计算出不确定性，若不确定性值大于预设的不确定性阈值，则拒绝访问请求，若不确定性值不大于不确定性阈值，则执行预测密钥与数据库中加密密钥的逐位匹配。

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安徽大学，其通讯地址为：230000 安徽省合肥市经济技术开发区九龙路111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”。

以上内容由龙图腾AI智能生成。