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！

摘要：本发明为一种融合深度和宽度学习的深度伪造图像检测方法，首先将待检测图像转换为灰度图像并分割为两组图像块，提取每个图像块的中心化频域幅度谱并对其施加注意力机制，再对两组图像块进行通道连接，得到初级特征；其次，构建通道卷积自编码模块，利用预训练的通道卷积自编码模块的编码器对初级特征进行特征融合得到两个中级特征，分别作为特征映射流和特征增强流的输入，得到两个映射特征和增强特征；最后，根据宽度学习系统原理构建三个分类器，将三个分类器的输出结果进行加权平均，得到最终的检测结果。本方法对图像块施加注意力机制，可以从全局信息中关注篡改痕迹明显的区域，模型训练所需的数据和时间少，实现了准确度和效率的兼顾。

主权项：1.一种融合深度和宽度学习的深度伪造图像检测方法，其特征在于，该方法包括以下步骤：第一步、获取待检测图像，将待检测图像转换为大小为256*256像素的灰度图像；第二步、利用频域特征提取模块提取待检测图像的初级特征；2-1将灰度图像进行两次分割，得到两个图像块组A和A′，图像块组A＝{a1，a2，…，a256}包含256个大小为16*16像素的图像块ai，i＝1，2，…，256；图像块组A′＝{a′1，a′2，…，a′64}包含64个大小为32*32像素的图像块a′j，j＝1，2，…，64；对于每个图像块，通过快速傅里叶变换得到频域幅度谱，再对频域幅度谱进行中心化处理，得到图像块的中心化频域幅度谱；2-2对灰度图像进行全局快速傅里叶变换，再对频域幅度谱进行中心化处理，得到灰度图像的中心化频域幅度谱；对灰度图像的中心化频域幅度谱进行高通滤波，对高通滤波后的中心化频域幅度谱进行逆快速傅里叶变换和去中心化处理，将中心化频域幅度谱映射至空域，最后通过非线性函数对映射至空域的中心化频域幅度谱进行归一化处理，得到全局高频注意力图；2-3对全局高频注意力图进行分割，得到两个局部注意力块组Att和Att′，局部注意力块组Att＝{Att1，Att2，…，Att256}包含256个局部注意力块Atti，局部注意力块组Att′＝{Att′1，Att′2，…，Att′64}包含64个局部注意力块Att′j，局部注意力块与步骤2-1中的图像块一一对应；对所有的局部注意力块Atti和Att′j进行中值池化操作，得到各个图像块的注意力系数；再将注意力系数与对应图像块的中心化频域幅度谱相乘，得到施加注意力后的图像块；通过最大值池化操作将所有施加注意力的图像块的大小调整为16*16像素，得到归一化后的图像块；将所有归一化后的图像块与所有施加注意力的图像块进行通道连接，得到初级特征；第三步、构建通道卷积自编码模块，通道卷积自编码模块包括编码器和解码器；利用预训练的通道卷积自编码模块的编码器对初级特征进行特征融合，得到两个中级特征和第四步、根据式12、13分别将中级特征和进行向量展平操作，得到两个一维向量fm和fe；根据式14、15对一维向量fm进行两次线性变换，得到两个映射特征和根据式16、17的Sigmoid函数对一维向量fe进行两次处理，得到增强特征和 式中，flatten·表示向量展平操作，分别表示权重矩阵W1的第r1列和偏置向量β1的第r1个分量，r1＝1，2，…，R1；分别表示权重矩阵W2的第r2列和偏置向量β2的第r2个分量，r2＝1，2，…，R2；分别表示权重矩阵W3的第r3列和偏置向量β3的第r3个分量，r3＝1，2，…，R3；分别表示权重矩阵W4的第r4列和偏置向量β4的第r4个分量，r4＝1，2，…，R4；W1、W2、W3和W4均为随机生成的权重矩阵，β1、β2、β3和β4均为随机生成的偏置向量，R1、R2分别为映射特征和的维度，R3、R4分别为增强特征和的维度；第五步、通过宽度学习系统原理构建三个分类器；从两个映射特征中任选一个映射特征以及从两个增强特征中任选一个增强特征进行拼接，得到拼接特征；将拼接特征、剩余的映射特征和增强特征作为三个分类器的输入，计算各个分类器输出层的权重矩阵；将每个分类器输出层的权重矩阵与该分类器的输入相乘，得到该分类器的输出结果；最后将三个分类器的输出结果进行加权平均，得到最终的检测结果；至此完成深度伪造图像的检测。

全文数据：

权利要求：

百度查询： 河北工业大学 一种融合深度和宽度学习的深度伪造图像检测方法