更新时间：2026-08-15 00:02:20
已登记
详细信息
-
知识产权名称
图片篡改检测训练数据
-
登记编号
DIP2024000021452
-
申请人
杭州君同未来科技有限责任公司
-
登记类型
首次登记
-
登记有效期
3年
-
申请时间
2024-12-05 15:14:26
详细信息
-
所属行业
信息传输、软件和信息技术服务业
-
交易状态
待交易
-
数据规模
800
-
更新频次
每年更新
-
应用场景
通过数据处理和数据加工流程，篡改图片训练数据被转化为高质量、高标注准确性的训练集。这些数据涵盖了不同的篡改手段，包括复制移动、拼接和喷涂等技术，能够为模型提供丰富的训练素材，帮助其深入学习并理解图片篡改的模式与特征。训练后的AI模型能够精准识别各种篡改图片的特征，可以应用于多个场景，例如防止图片伪造、检测恶意篡改的图像、维护媒体平台的内容真实性，以及支持数字版权管理和图像内容监管。
-
算法规则简要说明
(1)数据来源：Image tampering dataset (2)图片标准化处理：对收集到的图像进行标准化处理，包括缩放到256*256的大小、归一化等。 (3)数据增强：随机旋转图片，改变亮度对比度，随机裁剪、平移、放缩等。 (4)关键视觉特征提取：通过多种方法从图像中提取关键视觉特征，涵盖颜色分布、纹理模式、频域特性、局部二值模式（LBP）、梯度方向直方图（HOG）等，同时关注与伪造图像识别相关的特征，如图像中的几何失真、细节丢失、压缩伪影及不规则光照变化。这些提取的特征为模型提供了丰富的输入信息，使其能够更有效地识别真实图像与经过篡改或合成的图像之间的差异，提升伪造图像检测的准确性和鲁棒性。 (5)深度学习架构选择：基于Non-local网络的深度学习架构，辅以HR-Net进行特征提取工作。 (6)模型训练与评估：高分辨率特征图捕捉局部细节，低分辨率特征图提取全局信息。检测头用四个不同级别的特征图来预测检测分数；渐进机制用特征图生成四个mask。 (7)超参数调优：调节学习率、批量大小、隐藏层维度、注意力头数等参数。 (8)模型优化与验证：构建了独立的测试集对模型进行验证，确保模型在未见数据上也能表现良好。 (3) 关键视觉特征提取：采用多种方法从图像中提取关键视觉特征，涵盖颜色分布、纹理模式、频域特性、局部二值模式（LBP）、梯度方向直方图（HOG）等，同时特别关注与伪造图像识别相关的特征，如几何失真、细节丢失、压缩伪影和不规则光照变化。通过这些特征的提取，模型能够获得丰富的输入信息，从而更精准地识别真实图像与经过篡改或合成的图像之间的差异，提高伪造图像检测的准确性与鲁棒性。 (4) 深度学习架构选择：采用基于Non-local网络的深度学习架构，并结合HR-Net进行特征提取，提升模型的表达能力和精度。 (5) 模型训练与评估：高分辨率的特征图能够捕捉局部细节，低分辨率的特征图则用于提取全局信息。检测头使用四个不同级别的特征图来预测检测分数，而渐进机制则利用这些特征图生成四个mask，以进一步提高检测精度。 (6) 超参数调优：通过调整学习率、批量大小、隐藏层维度、注意力头数等超参数，优化模型性能。 模型优化与验证：构建独立的测试集对模型进行验证，确保模型在未见数据上的表现同样优秀。
-
更新频次
每年更新
-
存证平台
信证链数据资产存证公证平台
