[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201911039838.0
• 申請日: 2019-10-29
• 公開（公告）號: CN110766598B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 張盈謙;賈貽然;牛瓊;林敏濤
• 申請（專利權(quán)）人: 廈門大學(xué)嘉庚學(xué)院
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/0464;G06N3/08;G06V10/764;G06V10/82;G06V10/774;G06Q50/18
• 代理公司: 福州元創(chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 丘鴻超;蔡學(xué)俊

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取方法，其特征在于，包括水印嵌入過程和水印提取過程，所述水印嵌入過程為：

1)建立一個包含公開數(shù)據(jù)集與非公開數(shù)據(jù)集的數(shù)據(jù)集，其中公開數(shù)據(jù)集中的數(shù)據(jù)只包括關(guān)鍵特征，非公開數(shù)據(jù)集中的數(shù)據(jù)包括關(guān)鍵特征和隱含的非關(guān)鍵特征；

2)對數(shù)據(jù)集進行數(shù)據(jù)的特征提取，包括關(guān)鍵特征和隱含非關(guān)鍵特征；

3)基于步驟2)得到的關(guān)鍵特征和隱含非關(guān)鍵特征，將N分類問題轉(zhuǎn)化為M分類問題，對基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型進行訓(xùn)練，在模型訓(xùn)練時，對隱含非關(guān)鍵特征的決策邊界進行過擬合訓(xùn)練，在N分類結(jié)果的基礎(chǔ)上得到細(xì)化分類的M分類結(jié)果的智能模型，從而將隱含非關(guān)鍵特征作為水印嵌入到智能模型中；

所述水印提取過程為：服務(wù)器提供一個可以調(diào)用正版智能模型的API接口，在遠程計算機以非公開數(shù)據(jù)集為密鑰，以密鑰為輸入數(shù)據(jù)通過API接口調(diào)用正版智能模型，將返回一組查詢結(jié)果，將得到的查詢結(jié)果與待測智能模型預(yù)測的分類結(jié)果進行比對，根據(jù)預(yù)測的分類結(jié)果與查詢結(jié)果的誤差是否在容錯范圍內(nèi)，識別待測智能模型的所有權(quán)，實現(xiàn)水印的提取；

將N分類問題(N1,N2,N3,......,Nn)轉(zhuǎn)化為M分類問題(N1₁,N1₂,...,N1_k1,N2₁,N2₂,...,N2_k2,......,Nn₁,Nn₂,...,Nn_kn)，其中：

其中，Ni₁,Ni₂,...,Ni_ki是在隱含非關(guān)鍵特征基礎(chǔ)上，對N分類問題中第i個類Ni更細(xì)化的劃分，Ni_j，0≦j≦ki滿足以下條件：

即在隱含非關(guān)鍵特征基礎(chǔ)上劃分出的子類的集合是類別Ni的總和，且任何子類都不存在交集，以保證標(biāo)簽的唯一性與分類的特異性。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取方法，其特征在于，采用歸零標(biāo)注方式在類別Ni內(nèi)部進行過擬合分類：將ki個分類邊界的緊鄰處的非公開樣本進行歸零標(biāo)注，以實現(xiàn)非關(guān)鍵特征的過擬合。

3.一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取系統(tǒng)，其特征在于，包括服務(wù)器和遠程計算機，所述服務(wù)器上設(shè)有水印嵌入模塊，用于生成嵌入有水印的正版智能模型，所述水印嵌入模塊按如下方法生成嵌入有水印的正版智能模型：

1)建立一個包含公開數(shù)據(jù)集與非公開數(shù)據(jù)集的數(shù)據(jù)集，其中公開數(shù)據(jù)集中的數(shù)據(jù)只包括關(guān)鍵特征，非公開數(shù)據(jù)集中的數(shù)據(jù)包括關(guān)鍵特征和隱含的非關(guān)鍵特征；

2)對數(shù)據(jù)集進行數(shù)據(jù)的特征提取，包括關(guān)鍵特征和隱含非關(guān)鍵特征；

3)基于步驟2)得到的關(guān)鍵特征和隱含非關(guān)鍵特征，將N分類問題轉(zhuǎn)化為M分類問題，對基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型進行訓(xùn)練，在模型訓(xùn)練時，對隱含非關(guān)鍵特征的決策邊界進行過擬合訓(xùn)練，在N分類結(jié)果的基礎(chǔ)上得到細(xì)化分類的M分類結(jié)果的智能模型，從而將隱含非關(guān)鍵特征作為水印嵌入到智能模型中；具體地，將N分類問題(N1,N2,N3,......,Nn)轉(zhuǎn)化為M分類問題(N1₁,N1₂,...,N1_k1,N2₁,N2₂,...,N2_k2,......,Nn₁,Nn₂,...,Nn_kn)，其中：

其中，Ni₁,Ni₂,...,Ni_ki是在隱含非關(guān)鍵特征基礎(chǔ)上，對N分類問題中第i個類Ni更細(xì)化的劃分，Ni_j，0≦j≦ki滿足以下條件：

即在隱含非關(guān)鍵特征基礎(chǔ)上劃分出的子類的集合是類別Ni的總和，且任何子類都不存在交集，以保證標(biāo)簽的唯一性與分類的特異性；

所述服務(wù)器還用于提供可以調(diào)用正版智能模型的API接口；

所述遠程計算機上設(shè)有水印提取模塊，所述水印提取模塊按如下方法進行水印提取：在遠程計算機以非公開數(shù)據(jù)集為密鑰，以密鑰為輸入數(shù)據(jù)通過API接口調(diào)用正版智能模型，將返回一組查詢結(jié)果，將得到的查詢結(jié)果與待測智能模型預(yù)測的分類結(jié)果進行比對，根據(jù)預(yù)測的分類結(jié)果與查詢結(jié)果的誤差是否在容錯范圍內(nèi)，識別待測智能模型的所有權(quán)，實現(xiàn)水印的提取。