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

本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取方法及系統(tǒng)，該方法的水印嵌入過程為：建立包含公開數(shù)據(jù)集與非公開數(shù)據(jù)集的數(shù)據(jù)集，公開數(shù)據(jù)集中數(shù)據(jù)只包括關(guān)鍵特征，非公開數(shù)據(jù)集中數(shù)據(jù)包括關(guān)鍵特征和隱含非關(guān)鍵特征；對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)的特征提取；對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型進(jìn)行訓(xùn)練，在模型訓(xùn)練時(shí)，對(duì)隱含非關(guān)鍵特征的決策邊界進(jìn)行過擬合訓(xùn)練，從而將水印嵌入到智能模型中；水印提取過程為：以非公開數(shù)據(jù)集為密鑰，以密鑰為輸入數(shù)據(jù)通過服務(wù)器上的API接口調(diào)用正版智能模型，將返回的查詢結(jié)果與預(yù)測(cè)的分類結(jié)果進(jìn)行比對(duì)，以實(shí)現(xiàn)水印的提取。該方法及系統(tǒng)無需獲取智能模型即可遠(yuǎn)程進(jìn)行水印的檢測(cè)和提取，易于實(shí)現(xiàn)，安全性高。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)字水印技術(shù)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取方法及系統(tǒng)。

背景技術(shù)

自1994年VanSchyndel提出數(shù)字水印理論以來，數(shù)字水印已經(jīng)在圖像、聲音、軟件、視頻數(shù)據(jù)的提取版權(quán)中起到了保護(hù)知識(shí)產(chǎn)權(quán)的作用。然而，在當(dāng)前人工智能時(shí)代，以深度學(xué)習(xí)技術(shù)為基礎(chǔ)的人工智能模型，還沒有有效的保護(hù)所有者和智能模型可追蹤的技術(shù)方案。

智能模型作為人工智能時(shí)代的新的電子物件，目前已引起了國(guó)內(nèi)外學(xué)者的關(guān)注。Uchida等人在2017年提出了深度神經(jīng)網(wǎng)絡(luò)的水印嵌入算法。Nagai等在2018年提出了深度學(xué)習(xí)模型的數(shù)字水印算法。然而，上述算法需要直接修改模型的權(quán)值，并且，檢測(cè)和提取水印需要直接獲得智能模型。因此，上述算法具有明顯的缺欠：檢測(cè)和提取者獲取智能模型困難。因?yàn)榇蠖鄶?shù)智能模型在服務(wù)器端，無法直接下載服務(wù)器端的智能模型，就算能夠獲得智能算法，需要讀懂源程序，因此，司法取證和水印提取困難。ErwanLe?Merrer等于2019年提出了一種利用對(duì)抗模型實(shí)例的新型基于決策邊界修改的水印算法，允許通過遠(yuǎn)程API進(jìn)行查詢并提取水印。然而，該方法會(huì)導(dǎo)致模型的識(shí)別成功率由于水印的功能而下降，并且一些特定的模型容易受到攻擊從而導(dǎo)致水印無法成功提取。

以深度學(xué)習(xí)為代表的新一代人工智能模型要求同時(shí)具備高性能計(jì)算機(jī)、大數(shù)據(jù)支撐的條件，然而，這類智能模型的研制凝聚了大量的物力、財(cái)力和人力。因此，保護(hù)這類人工智能模型的知識(shí)產(chǎn)權(quán)的水印技術(shù)是當(dāng)前智能社會(huì)急需的技術(shù)。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型水印嵌入和提取方法及系統(tǒng)，該方法及系統(tǒng)無需獲取智能模型即可遠(yuǎn)程進(jìn)行水印的檢測(cè)和提取，易于實(shí)現(xiàn)，安全性高。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：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(gè)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(duì)數(shù)據(jù)集進(jìn)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(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的智能模型進(jìn)行訓(xùn)練，在模型訓(xùn)練時(shí)，對(duì)隱含非關(guān)鍵特征的決策邊界進(jìn)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(gè)可以調(diào)用正版智能模型的API接口，在遠(yuǎn)程計(jì)算機(jī)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(cè)智能模型預(yù)測(cè)的分類結(jié)果進(jìn)行比對(duì)，根據(jù)預(yù)測(cè)的分類結(jié)果與查詢結(jié)果的誤差是否在容錯(cuò)范圍內(nèi)，識(shí)別待測(cè)智能模型的所有權(quán)，實(shí)現(xiàn)水印的提取。