申请/专利权人：暨南大学

申请日：2024-01-08

公开（公告）日：2024-04-26

公开（公告）号：CN117558011B

主分类号：G06V30/19

分类号：G06V30/19;G06N3/045;G06N3/0464;G06N3/047;G06N3/08;G06V10/82;G06V30/146;G06V30/148;G06V30/18

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明公开了一种基于自一致性矩阵和多尺度损失的图像文本篡改检测方法，本发明属于模式识别领域，包括：通过采用Resnet34模型作为主干网络进行图像特征提取，得到中间特征图和最终特征图；基于所述中间特征图，计算得到自一致性矩阵；通过渐进式上采样卷积神经网络逐步进行自一致性矩阵反卷积操作，生成输出的概率矩阵，从而判断原图中存在篡改区域的大致位置；将最终特征图输入分类层，以得到分类预测向量，从而判断含文本图像是否存在篡改。本发明提供了一种成本低、检测精度高、耗时短的图像文本篡改检测方法。

主权项：1.一种基于自一致性矩阵和多尺度损失的图像文本篡改检测方法，其特征在于，包括：获取文本图像，所述文本图像包括：真实图像和篡改图像，将所述文本图像分为训练集和测试集；选取多尺度损失函数，基于所述多尺度损失函数和所述训练集分别训练第一神经网络、第二神经网络；训练第一神经网络、第二神经网络的过程包括：将所述训练集输入至第一神经网络中，得到中间特征图和分类预测向量；基于所述中间特征图，计算得到自一致性矩阵，将所述自一致性矩阵输入至第二神经网络中，得到训练概率矩阵；得到中间特征图和分类预测向量的过程包括：对Resnet34模型进行初始化，将所述Resnet34模型中第三层输出进行保存，得到中间特征图；将所述Resnet34模型中全连接层进行剔除，将第三层输出的中间特征图按照所述Resnet34模型中的第四层结构进行卷积操作，得到最终特征图，并连接到依次为一次卷积操作和一层softmax激活函数的神经元分类层，得到分类预测向量；计算得到自一致性矩阵的过程包括：对所述中间特征图依次进行卷积、张量形状变换、顺序转置、矩阵乘法的操作，得到自一致性矩阵；所述自一致性矩阵的计算公式为： ，其中表示嵌入函数，和分别表示特征图的两个Patch对应的特征向量，C’表示和的特征向量的通道数，表示sigmoid激活函数，s表示两个特征向量之间的自一致性分数；将所述测试集输入至训练好的第一神经网络、训练好的第二神经网络中，得到分类预测向量和概率矩阵；基于分类预测向量和所述概率矩阵，检测所述文本图像是否存在篡改及篡改区域位置。

全文数据：

权利要求：

百度查询： 暨南大学 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD