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！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利一种基于空间频率感知融合网络的身份数据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：CN120561699B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202511037175.4，技术领域涉及：G06F18/241；该发明授权一种基于空间频率感知融合网络的身份数据分析方法是由王天一;吕立博;刘瑞霞;王英龙设计研发完成，并于2025-07-28向国家知识产权局提交的专利申请。

本一种基于空间频率感知融合网络的身份数据分析方法在说明书摘要公布了：本发明涉及数据分析处理技术领域，具体涉及一种基于空间频率感知融合网络的身份数据分析方法，具体如下：收集待检测的身份数据，并标注真实身份信息；对收集身份数据进行预处理，按比例划分为训练集和测试集；构建用于实时深度进行身份分析的空间频率感知多尺度网络，对该网络中进行训练；将测试集中的身份数据输入至训练好的网络中进行伪造检测预测，输出每个身份为“真”或“假”的概率分数，进而得到身份分析结果。本发明通过构建一种结合空间与频率特征感知、具备多尺度融合能力的轻量化深度神经网络结构，可用于在视频会议、社交媒体等实际场景中高效检测身份信息。

本发明授权一种基于空间频率感知融合网络的身份数据分析方法在权利要求书中公布了：1.一种基于空间频率感知融合网络的身份数据分析方法，其特征是，包括以下步骤： S1、从现有数据库中采集身份数据，采集的身份数据标注有真实的身份信息，身份数据具体为人脸面部图像； S2、对采集的身份数据进行预处理，得到预处理后的身份数据，将身份数据调整为固定尺寸并保存为高效读取格式，然后将预处理后的身份数据按比例划分为训练集和测试集； S3、构建用于实时深度进行身份数据分析的空间频率感知多尺度网络，对该网络进行训练，将训练集中的身份数据输入至该网络中，输出二分类概率，将身份数据的真实标签作为监督信号，采用二分类交叉熵损失函数计算预测结果与真实标签之间的误差，通过反向传播算法计算梯度，并使用Adam优化器更新网络参数，得到训练好的网络； 该网络包括空间频域混合感知模块、基于模糊池化的下采样模块、令牌选择性交叉注意力模块和分类检测模块； 空间频域混合感知模块中的操作具体如下： 空间频域混合感知模块包括卷积神经网络、并行设置的空间感知分支和频域感知分支、空间频域混合感知层； 将训练集中身份数据作为空间频率感知多尺度网络的输入身份数据，首先输入至空间频域混合感知模块中，经过卷积神经网络进行逐层特征抽取和下采样操作，得到三个具有不同语义层次的身份特征，分别为低层身份特征、中层身份特征和高层身份特征； 然后，将低层身份特征分别输入至空间感知分支和频域感知分支，得到空间感知注意力特征和频率注意力特征； 最后，将空间感知注意力特征和频率注意力特征输入至空间频域混合感知层，在通道维度上将和进行加权拼接，生成统一的混合感知特征； 对混合感知特征进行二维卷积操作，然后经过Sigmoid函数生成融合门控特征； 将融合门控特征与低层身份特征逐元素相乘，再将结果与低层身份特征通过残差连接输出低层输出特征； 同理，将中层身份特征和高层身份特征分别输入至空间频域混合感知模块，输出中层输出特征和高层输出特征； 基于模糊池化的下采样模块的操作具体如下： 在下采样过程中引入模糊操作与残差信息补偿机制； 1对于低层输出特征： 首先通过模糊池化操作对输入的低层输出特征进行平滑处理，再通过标准卷积操作与 ReLU 激活函数，得到主干路径下的语义表达特征； 设计一条信息补偿的残差路径，该路径与主干路径共享模糊池化操作，并通过卷积操作实现线性映射，最终生成残差信号； 最后，将主路径输出的语义表达特征与残差路径输出的残差信号进行逐元素相加，并再次经过 ReLU 激活函数，生成最终的下采样特征； 2对于高层输出特征： 在高层特征上引入特征投影模块，对高层输出特征进行维度映射与结构调整，生成高层投影特征，特征投影模块由卷积层、归一化层与激活函数组成； 3对于中层输出特征： 将下采样特征与中层输出特征进行融合，输出融合特征； 令牌选择性交叉注意力模块的操作具体如下： 通过三个独立的卷积操作器、、生成查询特征Query、键特征Key和值特征Value； 其中，为查询特征提取卷积器，用于从融合特征中提取查询特征；为键特征提取卷积器，用于从高层投影特征中提取键特征；为值特征提取卷积器，用于从高层投影特征中提取值特征； 采用基于空间平均池化的令牌选择机制，对特征分别执行通道平均并重构为令牌序列，令牌序列表示如下： ，其中，，，表示所选择的令牌数量，为空间池化的尺寸，表示通道总数，表示通道总数的索引，表示重构操作，分别表示通过空间池化与重构操作后得到的查询、键和值令牌序列； 使用标准缩放点积注意力机制进行令牌间的交互建模，计算语义增强后的注意力输出，计算公式如下： ，其中，表示跨尺度融合后的令牌，维度为，表示转置，表示归一化指数函数； 最后，将跨尺度融合后的令牌重塑成的空间结构，再进行上采样恢复至与融合特征以及投影特征相同尺寸，再通过卷积调整通道数，最终与原始融合特征进行残差融合，生成最终的融合特征，计算公式如下： ，其中，可学习的残差权重系数，表示卷积映射操作，表示空间上采样操作，表示重构操作； 分类检测模块的操作具体如下： 将最终的融合特征送入一个多层感知机MLP，该感知机由一个或多个全连接层组成，并插入 Batch Normalization 批量归一化和 ReLU 激活函数，最终输出层将输出每个待检测的身份为“真”或“假”的概率分数，进而得到身份数据分析结果； S4、将测试集中的身份数据输入至训练好的网络中进行身份分析，输出身份为“真”或“假”的概率分数，进而得到身份分析结果。

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齐鲁工业大学(山东省科学院)，其通讯地址为：250000 山东省济南市长清区大学路3501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。