公开(公告)号：CN116894753A

公开(公告)日：2023-10-17

申请号：CN202310778680.9

申请日：2023-06-28

Applicant: 北京印刷学院

Inventor： 赖鸣姝 ,  于丽芳 ,  翁韶伟 ,  田华伟

IPC: G06T1/00 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06V10/74 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明提供一种小样本图像隐写分析模型训练方法、分析方法及装置，包括：构建训练集，训练集包括设有标签的支持集和没有标签的查询集；获取初始模型，包括小样本分类模块和预训练的特征提取模块；在特征提取模块中段设有多个通道空间注意力机制模块，以在通道和空间两个维度上提取各样本的特征，生成特征图；将特征图输入小样本分类模块，计算批次中任意两个特征图之间的相似度，生成邻接矩阵；根据计算得到的正则化邻接矩阵进行标签传播，得到预测标签；采用训练集训练初始模型，并构建正交投影损失和交叉熵损失的联合损失对初始模型进行优化，最终得到图像隐写分析模型。本发明提供的模型在待测隐写算法未知且小样本环境下具备优秀的检测性能。

公开(公告)号：CN108366295B

公开(公告)日：2020-07-14

申请号：CN201810144370.0

申请日：2018-02-12

Applicant: 北京印刷学院 ,  北京交通大学

Inventor： 于丽芳 ,  李赵红 ,  张珍珍

IPC: H04N21/4402 ,  H04N21/44 ,  H04N19/70 ,  H04N19/177 ,  H04N19/172

Abstract: 本发明提供了一种视频分类特征提取方法、转码重压缩检测方法及存储介质，所述视频分类特征提取方法包括：利用可视化分析器提取视频帧的PU划分类型，并将提取到的所述视频帧的PU划分类型以像素块为基本单元进行标记；统计视频中每一组连续画面里第一个P帧的各个PU划分类型对应的像素块数目；将所有组连续画面里第一个P帧的各个PU划分类型对应的像素块数目求取平均值，得到所有组连续画面里第一个P帧的各个PU划分类型的分类特征。本发明使用数目较少维数特征，达到了更高的重压缩视频的检测率。

公开(公告)号：CN108366295A

公开(公告)日：2018-08-03

申请号：CN201810144370.0

申请日：2018-02-12

Applicant: 北京印刷学院 ,  北京交通大学

Inventor： 于丽芳 ,  李赵红 ,  张珍珍

IPC: H04N21/4402 ,  H04N21/44 ,  H04N19/70 ,  H04N19/177 ,  H04N19/172

Abstract: 本发明提供了一种视频分类特征提取方法、转码重压缩检测方法及存储介质，所述视频分类特征提取方法包括：利用可视化分析器提取视频帧的PU划分类型，并将提取到的所述视频帧的PU划分类型以像素块为基本单元进行标记；统计视频中每一组连续画面里第一个P帧的各个PU划分类型对应的像素块数目；将每一组连续画面里第一个P帧的各个PU划分类型对应的像素块数目求取平均值，得到所有组连续画面里第一个P帧的各个PU划分类型的分类特征。本发明使用数目较少维数特征，达到了更高的重压缩视频的检测率。

公开(公告)号：CN119421018A

公开(公告)日：2025-02-11

申请号：CN202411490523.9

申请日：2024-10-24

Applicant: 北京印刷学院

Inventor： 张珍珍 ,  杨潇 ,  李子臣 ,  丁海洋 ,  于丽芳 ,  李祯祯

IPC: H04N21/8358 ,  H04N19/467 ,  H04N19/60 ,  G06N3/0464

Abstract: 本发明公开了一种端到端视频水印方法及系统，涉及视频水印技术领域，包括：步骤1：对载体视频和水印进行预处理，获得预处理后的载体视频和水印；步骤2：采用卷积神经网络对预处理后的载体视频和水印进行特征提取，将提取的特征进行融合获得冗余视频特征，将冗余视频特征嵌入预处理后的载体视频中，获得水印视频；步骤3：向水印视频中加入噪声，获得噪声水印视频；步骤4：对噪声水印视频进行去噪和解码，获得水印。本发明显著提升了视频的嵌入容量，优化了视频的视觉质量，此外还增强了鲁棒性，在面对各种复杂环境或干扰时，其性能依然保持稳定和可靠。

公开(公告)号：CN119274047A

公开(公告)日：2025-01-07

申请号：CN202411385287.4

申请日：2024-09-30

Applicant: 北京印刷学院

Inventor： 于丽芳 ,  张健豪 ,  翁韶伟

IPC: G06V20/00 ,  G06V10/22 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开基于双视角的复制移动篡改检测方法，包括：篡改特征提取：使用ShuffleNetV2从待检测图像中提取出不同尺度的特征，经自适应感受野选择模块ARFSM融合得到包含准确的篡改特征的浅层特征和深层特征；篡改区域定位：在浅层特征中使用双视角自相关计算和浅层相似度注意力机制，获得相似度信息和篡改特征，用来对源、目标区域进行定位；篡改区域分类：将深层特征经过至少3个串联的自适应感受野选择模块捕获准确的篡改特征用来对源、目标区域进行分类。本发明实现复制移动篡改区域的高精度定位和分类。

公开(公告)号：CN119155405A

公开(公告)日：2024-12-17

申请号：CN202411168173.4

申请日：2024-08-23

Applicant: 北京印刷学院

Inventor： 于丽芳 ,  李阳 ,  翁韶伟

IPC: H04N1/32 ,  G06N3/0464

Abstract: 本发明公开用于不匹配隐写分析的可判别性中间域训练方法及装置，中间域网络包括GDMR模块、DILM模块、特征提取器和分类器，域适应时特征提取器加载预训练的权重，分类器则初始化权重；目标域图片先经过特征提取器提取出特征图后输入到GDMR模块中，GDMR模块对接收的特征图进行最大池化处理得到隐写注意图，并通过区域级混合比来控制中间域图像中混合区域的大小，以便增大混合区域中隐写信号的密度；生成混合区域后同源域图片和目标域图片输入到DILM模块中，使用像素级混合比来控制局部图像的混合比例，最后得到中间域图片；最后将中间域图片、源域图片和目标域图片共同输入到特征提取器和分类器中，逐渐使分类器适应目标域。本发明生成的中间域更具有可判别。

公开(公告)号：CN116168264A

公开(公告)日：2023-05-26

申请号：CN202211675494.4

申请日：2022-12-26

Applicant: 北京印刷学院

Inventor： 张祝薇 ,  于丽芳 ,  翁韶伟

IPC: G06V10/774 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明提供一种结合源监督和目标无监督信息的隐写分析网络训练方法及装置，所述方法的步骤包括：将测试数据集输入到隐写分析网络中，输出测试数据集中每个目标域图像的类别；通过特征提取层，得到预设的训练数据集中对应每个源域图像的参数矩阵，基于源域图像的参数矩阵计算对应每个类别的源域特征均值矩阵，基于测试数据集计算对应每个类别的目标域特征均值矩阵；基于每个类别的源域特征均值矩阵和目标域特征均值矩阵计算对应每个类别的域间平均差，并计算交叉熵损失函数值；基于目标域特征图像属于两个类别的概率参数计算个体预测熵和平均预测熵，并计算总预测熵；基于交叉熵损失函数值和总预测熵计算损失函数值，对隐写分析网络进行训练。

公开(公告)号：CN118799620A

公开(公告)日：2024-10-18

申请号：CN202410769928.X

申请日：2024-06-14

Applicant: 北京印刷学院

Inventor： 李芸伟 ,  于丽芳 ,  翁韶伟

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74

Abstract: 本发明公开一种对抗性双分类器深度隐写分析网络训练方法及装置，将双分类器对抗学习引入隐写分析以解决CSM发生时性能下降问题的工作。利用Mixup生成用于训练的中间域，增加样本的多样性并提高检测精度。采用非均匀训练策略，即两个分类器C1和C2在训练期间经历不同的处理，并在分类器的预测上引入了F‑范数。对于C1最小化其F‑范数以缩小决策边界，促进学习域不变特征；对于C2最大化其F‑范数以扩展决策边界，确保目标样本预测的高确定性。最后，在优化特征提取器的过程中引入两个域之间的梯度相似性来评估预测的准确性。本发明通过梯度相似性的应用，确保了预测的准确性，实现模型对目标样本进行精确分类。

公开(公告)号：CN117115552A

公开(公告)日：2023-11-24

申请号：CN202311180158.7

申请日：2023-09-13

Applicant: 北京印刷学院

Inventor： 张祝薇 ,  于丽芳 ,  翁韶伟

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06F17/16 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开基于渐进中间域的面向CSM的隐写分析网络训练方法及装置，提出了基于局部特征混合LFMP的中间域生成模块IDGM，通过生成中间域有效地桥接了源域和目标域，从而增强隐写分析网络的泛化能力，缓解了CSM对目标域检测精度的降低。本发明通过从分布Beta(α,1)中采样域因子来控制中间域的偏向，使生成的中间域从靠近源域的分布逐渐传递到靠近目标域的分布，有助于将知识从源逐步传递到目标，进一步提高隐写分析网络对目标域的检测精度。

公开(公告)号：CN116993566A

公开(公告)日：2023-11-03

申请号：CN202310597511.5

申请日：2023-05-24

Applicant: 北京印刷学院

Inventor： 李芸伟 ,  于丽芳 ,  翁韶伟

IPC: G06T1/00 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明提供一种对有效载荷鲁棒的图像隐写分析模型训练方法、分析方法及装置，包括：基于不同嵌入率和隐写方法构建训练样本集；获取待训练的学生模型和预训练好的多个教师模型，将图像样本输入各教师模型，通过设有温度的Softmax函数输出第一置信度分数，构建BE损失和CE损失得到总损失，对于各图像样本根据总损失为教师模型分配权重，并根据权重将各教师模型的第一置信度分数加权求和，得到各图像样本的总软目标；对学生模型进行训练，将图像样本输入学生模型，得到第二置信度分数并匹配总软目标，并构建CE损失、距离损失和角度损失，优化学生模型，最终得到图像隐写分析模型。本发明提供的模型极大地提升了在存在嵌入率失配问题时的检测精度。