買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉四川大學(xué);鄭州信大先進(jìn)技術(shù)研究院申請的專利一種端到端檢測對抗隱寫的方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN116843969B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202310806319.2，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種端到端檢測對抗隱寫的方法是由王宏霞;胡明智設(shè)計研發(fā)完成，并于2023-07-01向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種端到端檢測對抗隱寫的方法在說明書摘要公布了：本發(fā)明公開了一種端到端檢測對抗隱寫的方法，針對在隱寫方法中加入對抗擾動導(dǎo)致隱寫分析模型難以檢測的問題，利用置信度偽影和像素偽影來檢測對抗隱寫圖片。通過設(shè)計置信度損失函數(shù)放大對抗擾動導(dǎo)致的置信度偽影，獲得更易檢測的梯度流信息，將其輸入設(shè)計的梯度子網(wǎng)提取特征；與此同時，將圖像劃分為兩個子塊進(jìn)行上下置亂破壞對抗擾動，并通過兩個圖像子塊的特征相似度減小對抗擾動和隱寫噪聲的分類差異，突出其與自然噪聲的不同，從而降低對抗擾動的負(fù)面影響。本發(fā)明方法計算簡單，容易實現(xiàn)，可以有效地提升對抗隱寫的檢測精度，具有實用價值。

本發(fā)明授權(quán)一種端到端檢測對抗隱寫的方法在權(quán)利要求書中公布了：1.一種端到端檢測對抗隱寫的方法，用于對加入了對抗擾動的隱寫圖片進(jìn)行有效檢測，利用置信度偽影和像素偽影，通過雙流卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分類；所述雙流卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)由一個梯度子網(wǎng)和一個圖像子網(wǎng)組成；通過置信度損失函數(shù)獲得梯度流，所獲得的梯度流輸入梯度子網(wǎng)中檢測被檢圖像是否存在對抗性擾動；同時，被檢圖像被分成兩個置亂塊并輸入到圖像子網(wǎng)中進(jìn)行特征提取，對不同圖像子塊得到的特征進(jìn)行特征融合，兩個子網(wǎng)輸出的特征用于最終分類；包括以下主要步驟： 步驟1，將已經(jīng)訓(xùn)練好的隱寫分析模型作為被攻擊模型T，輸入要檢測的隱寫圖片數(shù)據(jù)集，計算置信度損失函數(shù)Lconf： 式中n為圖像類別數(shù)，vi是輸出結(jié)果的one-hot編碼，li是輸出結(jié)果在i維的分量，e指自然對數(shù)；將置信度損失函數(shù)Lconf進(jìn)行反向傳播得到圖像的梯度信息，經(jīng)此步驟，二維的置信度偽影被放大為多維的梯度偽影； 步驟2，梯度信息輸入梯度子網(wǎng)進(jìn)行特征提取，獲得128維的特征向量； 步驟3，與步驟2同時，將圖像數(shù)據(jù)集輸入到圖像子網(wǎng)中進(jìn)行特征提取，一張H×W的圖像被劃分為兩個的圖像子塊，并對兩個圖像子塊進(jìn)行上下置亂，兩個圖像子塊被同時輸入圖像子網(wǎng)中進(jìn)行特征提取，得到兩組特征向量f1,f2，對兩組特征向量進(jìn)行特征融合： f1 i表示特征f1的第i維，min·、max·、mean·和var·分別表示計算最小值、最大值、平均值和方差，得到的4組統(tǒng)計向量就是圖像子網(wǎng)輸出的特征； 步驟4，將圖像子網(wǎng)和梯度子網(wǎng)輸出的特征進(jìn)行拼接，輸入到全連接網(wǎng)絡(luò)中進(jìn)行分類，得到網(wǎng)絡(luò)的預(yù)測值，同時計算對比損失LCTR和分類損失LCLA： LcLA＝-[y*logp+1-ylog1-p] 式中y∈{0,1}指的是圖像的標(biāo)簽，0代表cover，1代表stego，m是閾值參數(shù)，p指的是模型輸出標(biāo)簽y＝1的概率；設(shè)置圖像子網(wǎng)的輔助優(yōu)化目標(biāo)為：cover的子圖特征盡可能相似，stego的子圖特征盡可能不同；然后計算總損失函數(shù)： L＝LCLA+λLCTR λ為對比損失的權(quán)衡參數(shù)；在模型的訓(xùn)練過程中，通過最小化總損失，進(jìn)行反向傳播，對圖像子網(wǎng)、梯度子網(wǎng)和全連接網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，優(yōu)化模型的檢測效果； 步驟5，在達(dá)到設(shè)置的訓(xùn)練次數(shù)上限時，停止訓(xùn)練，得到針對對抗隱寫的檢測模型M。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人四川大學(xué);鄭州信大先進(jìn)技術(shù)研究院，其通訊地址為：610065 四川省成都市一環(huán)路南一段24號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。