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！

龙图腾网获悉南京大学申请的专利一种基于自监督域聚类与域泛化的活体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：CN116403290B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202310287952.5，技术领域涉及：G06V40/40；该发明授权一种基于自监督域聚类与域泛化的活体检测方法是由杨若瑜;姚凯哲设计研发完成，并于2023-03-23向国家知识产权局提交的专利申请。

本一种基于自监督域聚类与域泛化的活体检测方法在说明书摘要公布了：本发明公开了一种基于自监督域聚类与域泛化的活体检测方法，包括域信息迁移样本生成、构建自监督域聚类网络并训练以及使用域泛化活体检测模型对带有伪域标签的样本进行训练；首先通过域信息迁移的数据增强方法生成正负样本，然后使用自监督域聚类模块为样本分配伪域标签，得到域泛化活体检测的源域数据集；使用对抗训练的方式训练域泛化活体检测模块，使用记忆三元组损失辅助优化模型，使用非平衡的记忆缓存更新策略保存之前训练的特征。本发明能自主的为人脸样本分配域标签，并直接在无域标签的人脸数据上进行域泛化活体检测训练，具有更灵活的泛化能力，同时节省标注成本，有较大应用价值。

本发明授权一种基于自监督域聚类与域泛化的活体检测方法在权利要求书中公布了：1.一种基于自监督域聚类与域泛化的活体检测方法，其特征在于，通过自监督域聚类方式生成人脸样本的伪域标签，使用域泛化方法对带有伪域标签的样本数据进行训练，得到活体检测的分类结果，具体方法包括以下步骤： 步骤1，自监督域聚类样本生成，即从混合源域数据集的图像中随机选取属于不同域的数据作为样本，基于图像频域上的低频信号进行两幅图像之间的域信息迁移，生成正负样本； 步骤2，构建自监督域聚类网络并对自监督域聚类网络进行训练，所述训练即使用基于对比学习的域聚类方法进行训练，构造学习任务，从步骤1中得到的包含域信息的正负样本中提取域相关特征，并根据样本在特征空间的分布进行域聚类； 步骤3，使用域泛化活体检测模型对带有伪域标签的样本进行训练，即使用根据聚类结果被分配了伪域标签的样本作为源域数据集，使用基于对抗训练的域泛化方法提取样本的活体域不变特征，使用分类交叉熵损失、对抗损失与记忆三元组损失对域泛化活体检测模型进行优化；将训练所得域泛化活体检测模型的最终输出作为活体检测分类的结果，完成基于自监督域聚类与域泛化的活体检测； 其中，步骤3中所述的域泛化活体检测模型的网络结构，包括：特征生成器、特征分类器、域判别器和特征记忆缓存； 使用特征生成器获得样本的特征表示，将生成的特征送入特征分类器，计算分类交叉熵损失；将特征表示输入域判别器，得到域判别结果，使用对抗训练的方式训练特征生成器和域判别器，计算域对抗损失，减少特征所包含的域偏差；将生成的特征与记忆缓存中的特征拼接，计算其记忆三元组损失，并根据损失函数的计算结果更新特征记忆缓存；最后，使用分类交叉熵损失、对抗损失与记忆三元组损失对域泛化活体检测模型进行优化； 步骤3所述的对抗损失与记忆三元组损失，具体计算方法如下： 使用对抗训练的方式优化特征生成器与域判别器组成的网络，在对抗损失进行梯度反向传播时，反转从域判别器到特征生成器之间的梯度，使得域判别器与特征生成器之间的训练目标相反，整个对抗训练的形式如下： 其中，X和YD分别为样本集合和伪域标签集合，G为特征生成器，D为域判别器，K为源域数量，为指示函数，当i＝y其值为1，否则为0，y表示样本x的域标签；对抗损失使用二元交叉熵函数计算； 使用特征记忆缓存存储域泛化活体检测模型前几轮迭代的特征表示；将记忆缓存中的特征与本次迭代生成的特征拼接，计算记忆三元组损失，具体损失函数LMemTriplet表示如下： 其中，Fn为本轮迭代的特征集合，M为记忆缓存中的特征集合，fa,fp,fn分别为锚点样本特征、正样本特征和负样本特征，α为边缘系数； 使用非平衡的特征记忆缓存更新策略，即每次训练迭代将记忆三元组损失函数计算结果中真人人脸的前h个难样本特征与全部的伪造人脸样本特征添加到特征记忆缓存中； 步骤3中所述的使用分类交叉熵损失、对抗损失与记忆三元组损失对域泛化的活体检测模型进行优化，即构造域泛化活体检测模型的综合损失函数为： Ldg＝Lcls+λ1Lada+λ2LMemTriplet 其中，Lcls为人脸活体特征的二分类交叉熵损失；λ1,λ2为超参数。

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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。