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！

龙图腾网获悉福建理工大学申请的专利自适应采样机制和双步自相关的复制移动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：CN119516343B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202411385291.0，技术领域涉及：G06V20/00；该发明授权自适应采样机制和双步自相关的复制移动篡改检测方法是由石宇轩;翁韶伟;张天聪设计研发完成，并于2024-09-30向国家知识产权局提交的专利申请。

本自适应采样机制和双步自相关的复制移动篡改检测方法在说明书摘要公布了：本发明公开自适应采样机制和双步自相关的复制移动篡改检测方法，提出了自适应采样机制ASM，根据输入图像的特点自动地调节采样点的数量与位置，从而帮助网络更好地检测不同大小的篡改区域。本发明提出低计算量的双步自相关，通过低分辨率特征图上的特征相关性来抽取高分辨率特征图上的高相似区域，仅在高相似区域的特征之间计算相关性，因此大幅降低了计算量。本发明提出双分支自适应融合模块，采用轻量的多尺度空洞卷积模块来自适应地融合LD‑SCC前的局部上下文特征与LD‑SCC后的相关特征，从而提高检测性能。

本发明授权自适应采样机制和双步自相关的复制移动篡改检测方法在权利要求书中公布了：1.自适应采样机制和双步自相关的复制移动篡改检测方法，其特征在于：其包括模型的构建部分、模型的训练与推理部分，具体步骤如下： 步骤1、构建自适应采样机制和双步自相关的复制移动篡改检测网络模型，网络模型执行如下步骤： 步骤1‑1、特征提取：将待检测图像输入以ASM‑Net为骨干网络的AL‑Net以提取用于检测不同面积大小的低级特征和高级特征；ASM‑Net包含4个阶段，前两个阶段均由依次设置的一个“CBG 3‑2”与两个“CBG 3‑1”组成，用于提取输入图像上的低级特征，从而帮助AL‑Net更好地检测小面积的篡改区域；后两个阶段均由依次设置的一个“CBG 3‑2”与三个可自动调节采样点数量与位置的ASM block组成，用于自适应地提取输入图像上的高级特征，从而帮助AL‑Net更好地检测大面积的篡改区域；ASM‑Net四个阶段输出的特征图分别为F1、F2、F3和F4；其中，CBG 3‑2表示由3×3大小，步长为2的标准卷积层、Batch Normalization层和GELU激活函数组成的卷积块；CBG 3‑1表示由3×3大小，步长为1的标准卷积层、BatchNormalization层和GELU激活函数组成的卷积块；ASM block由一个自适应采样机制ASM与两个点卷积PWConv以及跨层连接组成； 步骤1‑2、特征融合：将获得的特征图F1、F2、F3和F4输入特征融合模块FFM进行特征融合得到输出特征图Ff； 步骤1‑3、相关性特征提取：将步骤1‑2获得的特征图Ff输入低计算量的双步自相关LD‑SCC，来提取特征图中的相关性信息； 步骤1‑4、篡改区域定位：将步骤1‑2得到融合特征图Ff与步骤1‑3得到的相关性特征图Fd输入双分支自适应融合模块BAFM进行融合；BAFM的第一个分支将Fd输入MDCM进行多尺度特征提取，第二个分支将Ff输入点卷积进行通道之间的信息交互；两个分支的输出结果将在通道维度上进行拼接，共同输入到MDCM；MDCM将综合考虑Fd中的相关性特征与Ff中的多级特征，并对两者进行多尺度特征提取，从而为Fd和Ff生成权重，保留两者的关键信息；BAFM将得到权重在通道维度上进行拆分，得到与两个与特征图形状相同的张量，对两张特征图进行加权；BAFM将加权后的两张特征图在通道维度上进行拼接，并共同输入轻量的FRSU进行特征融合，得到AL‑Net的篡改区域定位检测结果； 步骤2、模型的训练与推理： 步骤2‑1、数据预处理：从USC‑ISI数据集的训练集中读取训练样本进行预处理得到训练所需的训练数据；预处理包括调整尺寸、数据增强和归一化处理； 步骤2‑2、模型的训练：将训练数据随机分为多个批次，采用交叉熵损失函数来指导AL‑Net的训练过程；选择随机梯度下降法SGD通过估计损失函数对参数的梯度来调整模型参数以此优化性能；经过设定轮次的遍历训练后完成模型训练得到最终模型； 步骤2‑3、模型的推理：对待检测的图像执行预处理，使得与模型训练时使用的参数完全一致后，输入最终模型通过前向传播分析图像估计各个像素点属于篡改区域的概率以概率图的形式展现，并将概率图中所有预测概率超过设定值的像素标记为被篡改像素，完成对图像篡改区域的准确识别。

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建理工大学，其通讯地址为：350100 福建省福州市闽侯县上街镇学府南路69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。