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！

龙图腾网获悉西安电子科技大学申请的专利基于双流深度神经网络的数字图像伪造区域定位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：CN115170933B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202210993852.X，技术领域涉及：G06V20/00；该发明授权基于双流深度神经网络的数字图像伪造区域定位方法是由蒋忠元;刘正道;李兴华;马建峰设计研发完成，并于2022-08-18向国家知识产权局提交的专利申请。

本基于双流深度神经网络的数字图像伪造区域定位方法在说明书摘要公布了：本发明公开一种基于双流深度神经网络的数字图像伪造区域定位方法，主要解决现有图像伪造检测方法普适性不高，图像伪造关键特征提取缺失，伪造图像重要特征信息的遗漏问题。本发明实现的步骤为：构建包括编码器、特征融合模块和解码器的双流深度神经网络；编码器由两个子特征提取器实现双流的特征提取；利用由多种类型图像伪造样本组成的训练集，训练双流深度神经网络，对数字图像伪造区域进行定位。由于本发明使用双残差块、单残差块、特征融合模块提取并学习图像的伪造特征，实现了对数字图像伪造区域定位的能力，提高了图像伪造区域定位的准确性与效率。

本发明授权基于双流深度神经网络的数字图像伪造区域定位方法在权利要求书中公布了：1.一种基于双流深度神经网络的数字图像伪造区域定位方法，其特征在于，利用构建双流深度神经网络中的双残差块、单残差块、特征融合模块提取并学习图像的伪造特征，实现对数字图像伪造区域定位的能力；该定位方法的步骤包括如下： 步骤1，构建双流深度神经网络中的编码器： 步骤1.1，搭建由四个结构相同的双残差块串联组成的原始图像采样单元； 步骤1.2，双残差块由输入层，第一卷积层，第一非线性运算层，第二卷积层，第一残差卷积层，非线性加法运算单元，第二非线性运算层，第三卷积层，第四卷积层，门控卷积层，门控非线性运算层，第三非线性运算层，第二残差卷积层，输出层组成； 步骤1.3，第一卷积层、第一非线性运算层、第二卷积层、非线性加法运算单元、第一残差卷积层依次串联后形成第一次残差传播的残差块、第一次残差传播的残差块的输出结果； 步骤1.4，第三卷积层、第二非线性运算层、第四卷积层、第三非线性运算层、第二残差卷积层依次串联形成第二次残差传播的残差块； 步骤1.5，输入层分别与第一卷积层、第一残差卷积层、第二残差卷积层连接，再与第一次残差传播的残差块，门控卷积层，门控非线性运算层，第二次残差传播的残差块、输出层依次串联整体构成了双残差块； 步骤1.6，根据图像分辨率的大小将输入层的通道参数设置为3，输入神经元个数设置为384×256个，将第一、第三卷积层、第一、第二残差卷积层的输入通道均设置为3，输出通道均设置为32，核大小均设置为3×3，滑动步长均设置为1，扩张系数均设置为1，将第二、第四卷积层的输入、输出通道数均设置为32，核大小设置为3×3，滑动步长设置为1，扩张系数设置为1，设置门控卷积层输入通道数为32，输出通道大小设置为3，核大小为3×3，滑动步长设置为1，扩张系数设置为1，第一至第三非线性运算层、非线性加法运算单元均采用激活函数ReLU实现，输出层的输入、输出通道数均设置为32； 步骤1.7，搭建一个由高通滤波模块和四个结构相同的单残差块依次串联组成的高通图像采样子网络； 步骤1.8，高通滤波模块由输入层、水平高通核、垂直高通核、叠加运算单元、高通滤波输出层组成； 所述的水平高通核如下： 其中，Hx表示水平方向的卷积核； 所述的垂直高通核如下： 其中，Hy表示垂直方向上的卷积核； 步骤1.9，将水平高通核、垂直高通核、叠加运算单元依次串联后，再分别与输入层相连，构成高通滤波器，高通滤波器与高通滤波输出层串联组成高通滤波模块； 步骤1.10，根据输入的样本图像分辨率的大小设置高通滤波模块的通道参数为3，设置输入神经元个数为384×256个，设置卷积核大小为3×3； 步骤1.11，单残差块包括输入层，单次残差传播的残差块和输出层，其中，单次残差传播的残差块由依次串联的第一卷积层、第一非线性运算层、第二卷积层、第二非线性运算层、第一残差卷积层形成，输入层分别与第一卷积层和第一残差卷积层连接，再与输出层串联形成单残差块； 步骤1.12，将第一卷积层、第一残差卷积层的输入通道数均设置为3，输出通道数设置为32，卷积核大小均设置为3×3，滑动步长均设置为1，扩张系数均设置为1，将第二卷积层输入、输出通道数均设置为32，卷积核大小设置为3×3，滑动步长设置为1，扩张系数均设置为1，将第一、第二非线性运算层采用激活函数ReLU实现，输出层的输入、输出通道数均设置为32； 步骤1.13，将原始图像采样单元与高通图像采样子网络串联构成编码器； 步骤2，构建双流深度神经网络的特征融合模块： 步骤2.1，特征融合模块由特征拼接层，第一卷积层，第一非线性运算层，第一池化层依次串联组成； 步骤2.2，根据原始图像采样单元与高通图像采样子网络输出的结果，设置特征拼接层的输入通道数为512，设置输入神经元个数为24×16，设置第一卷积层的输入通道数为512，输出通道数为256，核大小为1×1，步长为1，扩张系数为1，设置第一池化层的输入通道数为256，核大小为3×3，步长为1； 步骤3，构建双流深度神经网络的解码器： 步骤3.1，解码器由第一输入层、第二输入层、解码器子模块组、网络输出子模块依次串联组成； 步骤3.2，将四个结构相同的解码器子模块串联组成解码器子模块，第一输入层输入当前状态的特征张量，第二输入层输入原始图像采样单元中对应的双残差块的输出特征张量，解码器子模块由特征张量拼接层、第一非线性运算层、双残差块依次串联组成； 步骤3.3，将第一卷积层和第二非线性运算层串联组成网络输出子模块； 步骤3.4，设置解码器参数情况如下，根据特征融合层的输出特征张量，设置特征张量拼接层的输入通道数为512，神经元个数为24×16，设置第一非线性运算层为激活函数ReLU，设置双残差块的输入通道数为512，输出通道数为128，设置第一卷积层的输入通道数为32，输出通道数为1，卷积核为1×1，步长为1，扩张系数为1； 步骤4，构建双流深度神经网络： 将编码器，特征融合模块，解码器依次串联组成双流深度神经网络； 步骤5，生成训练集： 步骤5.1，将至少4500个伪造图像样本组成图像伪造样本集，该样本集中至少包括三种不同伪造类型的图像，每种类型图像的比例要求为1：1：1； 步骤5.2，将图像伪造样本集中的每个样本依次进行裁剪和归一化操作，将归一化后的所有样本组成训练集； 步骤6，训练双流深度神经网络： 将训练数据集按照批次依次输入到双流深度神经网络中，使用随机梯度下降SGD的梯度优化算法对网络参数进行优化，迭代更新卷积神经网络的权重值和学习率，直至网络的交叉熵损失函数收敛为止，得到训练好的双流深度神经网络； 步骤7，对数字图像伪造区域进行定位： 步骤7.1，将待定位的数字图像依次进行裁剪、归一化的预处理操作； 步骤7.2，将预处理后的数字图像输入到训练好的双流深度神经网络中，输出伪造定位后的预测图像。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。