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！

龙图腾网获悉哈尔滨工业大学(威海)申请的专利一种基于多尺度残差网络的图像隐写分析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：CN120726348B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202511140456.2，技术领域涉及：G06V10/52；该发明授权一种基于多尺度残差网络的图像隐写分析方法是由陈浩;程亚楠;张兆心;秦明智设计研发完成，并于2025-08-15向国家知识产权局提交的专利申请。

本一种基于多尺度残差网络的图像隐写分析方法在说明书摘要公布了：本发明公开的一种基于多尺度残差网络的图像隐写分析方法，涉及图像隐写分析技术领域，解决现有图像隐写分析中单通道组提取特征难以适应不同图像自然特性及隐写特征分布差异，易丢失弱特征信号，导致检测效果受限的的技术问题。本发明通过引入同层多种不同尺度的感受野机制和同层混合特征通道组机制，来构建多尺度感受野网络模型，多尺度感受野网络模型通过同层选取多种不同尺度的感受野，生成同层混合的特征通道组，并经过区间混合识别，对不同特征尺度通道组进行融合，通过优化MRNet，以实现利用多范围感受野协同提取并检测隐写特征；解决了隐写图像信息输入神经网络时弱特征信号以及弱特征从网络的低层向高层传递过程中的特征丢失问题。

本发明授权一种基于多尺度残差网络的图像隐写分析方法在权利要求书中公布了：1.一种基于多尺度残差网络的图像隐写分析方法，其特征在于，基于隐写分析残差网络SRNet，通过引入同层多种不同尺度的感受野机制和同层混合特征通道组机制，来构建多尺度感受野网络模型MRNet，MRNet网络通过同层选取多种不同尺度的感受野，生成同层混合的特征通道组，并经过区间混合识别，对不同特征尺度通道组进行融合，通过优化MRNet，以实现利用多范围感受野共同进行图像隐写特征提取与检测； 不同尺度的感受野机制通过构建基于双卷积层的多尺度感受野网络，利用不同尺寸的感知范围对图像各个区域进行隐写关联特征提取，同层混合特征通道组机制通过在神经网络各层间引入并行的通道组，来处理隐写弱特征从网络的低层向高层传递过程； 具体步骤包括如下： 步骤1，制备数据集及数据预处理； 步骤2，多尺度感受野特征提取，用于图像自然信息抑制与初始特征提取；通过同层选取多种不同尺度的感受野，构建基于双卷积层的多尺度感受野网络，利用不同尺寸卷积核的感知范围对步骤1中预处理后数据图像的各个区域进行隐写关联特征提取； 多尺度感受野特征提取，作为MRNet网络的第一部分，通过同层选取多种不同尺度的感受野，生成同层混合的特征通道组，具体包括：构建基于双卷积层的不同尺度感受野网络，包括卷积通道组A1、卷积通道组A2和卷积通道组A3，利用不同尺寸的感知范围对步骤1中预处理后的数据图像进行各个区域进行隐写关联特征提取； 利用不同尺度卷积核，构建基于双卷积层的多尺度感受野网络具体为：所述卷积通道组A1的第一卷积层采用3×3卷积核，第二卷积层采用3×3卷积核； 所述卷积通道组A2的第一卷积层采用5×5卷积核，第二卷积层采用3×3卷积核； 所述卷积通道组A3的第一卷积层采用7×7卷积核，第二卷积层采用3×3卷积核； 将上述三个并行的卷积通道组A1、卷积通道组A2和卷积通道组A3的输出结果进行连接，组合形成22个输出特征通道，作为MRNet网络的第一部分的输出初始特征； 步骤3，多通道组特征融合，用于抑制自然特征和隐写特征的提取；结合双通道组卷积网络和特征图组融合，对步骤2中同层混合的特征通道组提取的初始特征进行深化特征提取与融合； 多通道组特征融合作为MRNet网络的第二部分，结合双通道组卷积网络和特征图组融合，用于抑制自然特征和隐写特征的提取，具体包括：构建两个并行的卷积通道组B1和卷积通道组B2，对步骤2中同层混合的特征通道组提取的初始特征进行深化特征提取与融合；所述卷积通道组B1依次经过5次S1结构残差层处理，输出22个特征通道的隐写特征；所述卷积通道组B2依次经过3次S2结构残差层处理，输出22个特征通道的隐写特征； 所述卷积通道组B1中的S1结构残差层包括：依次连接的第一卷积层、BN层、ReLU激活函数、第二卷积层、BN层，输出为所述第二卷积层后BN层的输出与所述S1结构残差层的初始输入映射分支信息进行求和的结果；所述S1结构残差层中的每个卷积层均采用3×3卷积核； 所述卷积通道组B2中的S2结构残差层包括：依次连接的第一卷积层、BN层、ReLU激活函数、第二卷积层、BN层，输出为所述第二卷积层后BN层的输出与所述S2结构残差层的初始输入映射分支信息进行求和的结果；所述S2结构残差层中每个卷积层均采用5×5卷积核； 将所述卷积通道组B1输出的特征通道与所述卷积通道组B2输出的特征通道通过通道维度进行特征融合，形成共计44个特征通道的融合特征，作为MRNet网络第二部分的隐写特征输出通道； 步骤4，特征通道组降维；用于对步骤3中输出的隐写特征进行降维通过构建降维特征通道组，提取输出降维后的图像隐写特征； 步骤5，特征分类与结果输出；用于对步骤4中提取输出的降维后图像隐写特征进行分类和最终判定，通过构建特征分类通道组，最终输出图像隐写检测结果。

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哈尔滨工业大学(威海)，其通讯地址为：264209 山东省威海市环翠区文化西路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”。

以上内容由龙图腾AI智能生成。