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！

龙图腾网获悉西南石油大学申请的专利一种融合动态注意力机制和残差噪声分析的图像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：CN117689987B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202311739073.8，技术领域涉及：G06V10/80；该发明授权一种融合动态注意力机制和残差噪声分析的图像篡改检测方法是由王龙业;易婷;赵丹;刘梦瑶;翁静梁设计研发完成，并于2023-12-18向国家知识产权局提交的专利申请。

本一种融合动态注意力机制和残差噪声分析的图像篡改检测方法在说明书摘要公布了：本发明设计了一种融合动态注意力机制和残差噪声分析的图像篡改检测方法。该网络在输入阶段采用SRM模块进行预处理，提取噪声特征，并将其与原始RGB图像拼接以增强对细节的识别能力。编码器部分集成了DR‑SE注意力机制，该机制根据不同输入动态调整压缩比例，优化模型性能和泛化能力。网络进一步集成了特征增强残差模块DRH，融入门控信号G以选择性地强化或抑制特征。本发明提高了对细微和高度逼真篡改的识别能力，通过SRM模块准确突显难以察觉的残差信号。改进的残差结构和DR‑SE注意力机制进一步优化了信息流的管理和特征表征，使得本发明在图像篡改检测领域具有显著的实用价值。

本发明授权一种融合动态注意力机制和残差噪声分析的图像篡改检测方法在权利要求书中公布了：1.一种融合动态注意力机制和残差噪声分析的图像篡改检测方法，其特征在于，包括以下步骤： S1、数据预处理：将数据集原始图片均匀地从图像的顶部和底部进行裁剪，调整至固定的宽度和高度384×256； S2、特征编码：应用动态注意力机制和残差噪声分析网络对S1处理后的数据进行深度特征提取，其特征提取主干网络结构包括SRM模块、特征增强残差模块及动态注意力机制模块； S3、特征解码：利用S2提取的特征进行四次上采样，使用转置卷积、卷积和Relu激活函数，引入跳跃连接，融合编码器和解码器的特征图，最终得到分割结果； 所述S2包括以下步骤： 特征提取主干网络由卷积神经网络搭建构成，具体网络结构为： S21、采用SRM模块对图像进行预处理，该模块包含专门设计的卷积核用于提取类似噪声的特征，将这些噪声图像与原始图像采用Concat操作来融合特征，形成送入编解码器的输入数据； S22、随后输入数据通过特征增强残差模块，该模块由两个3×3卷积核、批归一化、Relu激活函数和包含简单门控机制的残差层构成，残差前馈对输入特征信息进行回忆，以解决深层网络中的梯度退化问题，特征增强对输入特征信息进行整合，使未被篡改和被篡改区域的图像属性差异更加明显，其中特征前馈的定义为： y1＝Fx,{Wi}+Gx 其中，x和y1分别是特征前馈的输入和输出，Wi为第i层的权值，Fx,{Wi}是待学习的残差映射，可视化为F＝W2σx*W1+b，其中σ表示Relu函数，b为偏差，Gx＝S*gx是经过门控机制得到的，这里的S表示sigmoid函数，而gx是通过1×1卷积层提取得到的特征， 特征增强的定义为： y2＝x*S*Gy1+x 其中，x为输入，y1是特征前馈的输出，y2是特征增强的输入； S23、在特征增强模块中引入动态注意力机制模块，以适应不同层级和多样化输入，通过混合池化将特征图H×W×C压缩到1×1×C，实现空间特征到全局特征的转换，压缩部分公式为： 激励部分涉及全连接层和激活函数，激励部分中的降维比例Reduction是动态调整的，经动态压缩DR模块，此模块包括两个全连接层以及Mish和Sigmoid函数，且使用Clamp函数将压缩比例R控制在[4,16]范围内，激励部分公式为： q＝σW2W1a 加权特征公式为： X′＝q*ac 在此过程中，W2和W1是全连接层的权重矩阵，σ是激活函数，向量a经过第一层全连接层后，维度由1×1×C变为1×1×CR，再经过第二层全连接层，维度由1×1×CR变为1×1×C，最后将生成的权重向量q对特征图X进行权重赋值。

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南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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”。