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！

龙图腾网获悉北京航空航天大学申请的专利基于自监督学习和多视图特征融合的对抗补丁定位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：CN119152325B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202410615356.X，技术领域涉及：G06V10/80；该发明授权基于自监督学习和多视图特征融合的对抗补丁定位方法是由郭园方;薛靖宣;王蕴红设计研发完成，并于2024-05-17向国家知识产权局提交的专利申请。

本基于自监督学习和多视图特征融合的对抗补丁定位方法在说明书摘要公布了：本发明涉及基于自监督学习和多视图特征融合的对抗补丁定位方法，属于涉及图像处理技术领域，本发明设计了端到端的对抗补丁定位方法，用于实现对抗补丁定位，能够更有效的定位图像中的对抗补丁，结合移除方法可以提高下游神经网络的鲁棒性；通过补丁区域与原图区域的纹理特征差异来对补丁进行检测定位，避免模型关注某种指定纹理的对抗补丁；利用边缘信息特征提升定位准确性；使用编码器‑解码器网络对RGB视图和边缘视图的图像进行特征提取；根据特征的相关性赋予特征图各个通道不同的权重，使用多尺度融合充分融合不同分辨率的特征信息；设计多尺度特征融合模块输出的对抗补丁定位掩码进行补全，同时减少因对抗补丁移除带来的图像语义信息损失。

本发明授权基于自监督学习和多视图特征融合的对抗补丁定位方法在权利要求书中公布了：1.基于自监督学习和多视图特征融合的对抗补丁定位方法，其特征在于，包括： S1、构建目标检测图像数据集和测试图像数据集； S2、令i＝1，其中，i＝1时，xi为第一个目标检测图像、Ai为初始特征提取骨干网络、Bi为初始多尺度融合特征模型、Ci为初始像素分类卷积层； S3、在所述目标检测图像数据集中选择图像xi和随机图像x'i；将所述图像xi表征为干净图像ci；根据图像xi的物体边框标注b获得所述干净图像ci对应的补丁掩码mi； S4、获得随机图像x'i的掩码；基于所述随机图像x'i的掩码对步骤S3所述干净图像ci对应的补丁掩码进行数据增强，得到数据增强后的训练样本^xi及对应掩码； S5、获取步骤S4所述数据增强后的训练样本^xi的具有边缘特征的图像di； S6、获取图像xi的RGB图像；将所述具有边缘特征的图像di和图像xi的RGB图像输入特征提取骨干网络Ai得到所述RGB图像的视图特征ri和具有边缘特征的图像的视图特征d′i以及更新特征提取骨干网络Ai； S7、将所述RGB图像的视图特征ri和具有边缘特征的图像的视图特征d′i进行拼接后，输入多尺度融合特征模型Bi，得到多尺度融合特征Ei和更新多尺度融合特征模型Bi； S8、将步骤S7获得的多尺度融合特征Ei输入像素分类卷积层Ci处理后得到预测掩码bi、损失以及更新像素分类卷积层Ci； S9、比较i与I的大小，I表示目标检测图像总个数，若i＜I，对数值i加1，并返回步骤S3，若i＝I，则结束训练，得到更新特征提取骨干网络Ai、更新多尺度融合特征模型Bi和更新像素分类卷积层Ci； S10、基于更新特征提取骨干网络、更新多尺度融合特征模型和更新像素分类卷积层构建补丁定位模型； 基于所述补丁定位模型进行补丁定位； S11、对所述补丁定位模型进行更新，得到补丁定位移除模型，将待测图像输入所述补丁移除模型，进行对抗补丁移除，得到对抗补丁移除后的图像，具体步骤包括： S111、将待测图像输入所述对抗补丁定位模型，得到初始预测掩码b'i； S112、设计掩码补全模块和图像重构模块；将所述掩码补全模块和图像重构模块嵌入所述补丁定位模型，得到补丁定位移除模型； S113、将所述初始预测掩码b'i输入所述补丁定位移除模型，基于所述掩码补全模块得到补全预测掩码bi； 将所述补全预测掩码bi对应的区域表征为补丁移除区域； S114、所述补丁移除区域利用图像重构模块，获取待测图像原图区域；基于待测图像原图区域对所述补丁移除区域的纹理进行移除，得到对抗补丁移除后的图像。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。