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！

龙图腾网获悉天津理工大学;山东省人工智能研究院申请的专利基于自适应融合的多模态虚假新闻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：CN117251795B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202311301216.7，技术领域涉及：G06F18/2415；该发明授权基于自适应融合的多模态虚假新闻检测方法是由高赞;杨红旗;赵一博;马春杰设计研发完成，并于2023-10-10向国家知识产权局提交的专利申请。

本基于自适应融合的多模态虚假新闻检测方法在说明书摘要公布了：本发明涉及领域，具体涉及一种基于自适应融合的多模态虚假新闻检测方法，包含以下步骤：使用文本和图像编码器分别提取单模态特征；使用交叉注意力实现模态间的特征互补；将提取的文本特征投影到低维空间进行单视角预测；使用自适应融合模块进行多模态特征交互融合；利用融合后的多模态特征进行分类；联合分类损失和单视角损失进行网络训练。本发明利用文本的多层语义来捕获丰富的文本信息，利用文本视角预测来减少多模态特征复杂性对分类结果的影响，利用交叉注意力模块解决了多模态特征之间的异构型，以及通过自适应融合模块解决了传统多模态特征融合的问题。

本发明授权基于自适应融合的多模态虚假新闻检测方法在权利要求书中公布了：1.一种基于自适应融合的多模态虚假新闻检测方法，其特征在于，包括以下步骤： S1.使用文本和图像编码器分别提取单模态特征，将文本、图像分别输入编码器； 对于文本，采用预训练模型Bert作为文本编码器，英文和中文语言分别使用英文预训练模型bert-base-uncased和中文预训练模型bert-base-chinese，提取了Bert的12个隐藏层特征并相加起来获得文本的特征表示； 对于图像，使用预训练模型ResNet50来提取图像的语义特征，使用第四个block块获得图像的特征表示，将其特征调整为3维，与文本特征维度保持一致； S2.使用交叉注意力实现模态间的特征互补，通过多模态预训练模型ViLBERT实现模态间的特征互补，将新闻的文本特征和视觉特征进行有效融合，解决多模态特征之间的异构性； S3.将提取的文本特征投影到低维空间进行单视角预测，将经过文本编码器得到的文本表示投影到低维空间，并与真实标签做损失得到文本分类损失单视角分类决策的影响； S4.使用自适应融合模块进行多模态特征交互融合; 将提取到的文本和图像特征表示作为输入，在空间维度上进行压缩，得到一个一维向量，使用激活函数来计算每个通道的权重，对于文本该权重表示每个单词对于整个文本的重要程度，对于图像该权重表示的是每块区域对于整个图像的重要程度，通过加权求和得到文本和图像的全局表示，即文本增强特征和图像增强特征; 将文本增强特征和图像增强特征相乘得到视觉融合特征，表示文本信息在视觉空间中的投影，然后对视觉融合特征进行归一化和自适应平均操作得到最终的视觉融合向量； 将图像增强特征和文本增强特征相乘得到文本融合特征，表示视觉信息在文本空间中的投影，然后对文本融合特征进行归一化和自适应平均池化操作，得到最终的文本融合向量； 将文本融合向量和视觉融合向量进行拼接，得到融合后的多模态特征，此时多模态通道变为单模态通道的两倍，将融合后的多模态特征送入两个门控单元来调节向量的信息流动； 利用通道信息来强调多模态信息特征并抑制多模态融合后的噪声影响，具体是将经过门控单元调节后的多模态向量分为视觉注意力向量和文本注意力向量分别与原始的编码向量相加，并使用将多模态特征投影到相同的维度后拼接，得到最终的多模态特征融合向量； S5.利用融合后的多模态特征进行分类，联合分类损失和单视角损失进行网络训练；使用交叉熵函数计算分类损失，通过放大分类的损失缓解类别不平衡带来的影响，并联合文本单视角的分类损失，使分类器根据网络输出的特征向量，将其映射为一个概率分布，用于表示该新闻属于每个分类的可能性。

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天津理工大学;山东省人工智能研究院，其通讯地址为：300000 天津市西青区宾水西道391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。