CN110766598A - 基于卷积神经网络的智能模型水印嵌入和提取方法及系统 - Google Patents

基于卷积神经网络的智能模型水印嵌入和提取方法及系统 Download PDF

Info

Publication number
CN110766598A
CN110766598A CN201911039838.0A CN201911039838A CN110766598A CN 110766598 A CN110766598 A CN 110766598A CN 201911039838 A CN201911039838 A CN 201911039838A CN 110766598 A CN110766598 A CN 110766598A
Authority
CN
China
Prior art keywords
watermark
data set
intelligent model
key features
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911039838.0A
Other languages
English (en)
Other versions
CN110766598B (zh
Inventor
张盈谦
贾贻然
牛琼
林敏涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University Tan Kah Kee College
Original Assignee
Xiamen University Tan Kah Kee College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University Tan Kah Kee College filed Critical Xiamen University Tan Kah Kee College
Priority to CN201911039838.0A priority Critical patent/CN110766598B/zh
Publication of CN110766598A publication Critical patent/CN110766598A/zh
Application granted granted Critical
Publication of CN110766598B publication Critical patent/CN110766598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • G06Q50/184—Intellectual property management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Technology Law (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于卷积神经网络的智能模型水印嵌入和提取方法及系统，该方法的水印嵌入过程为：建立包含公开数据集与非公开数据集的数据集，公开数据集中数据只包括关键特征，非公开数据集中数据包括关键特征和隐含非关键特征；对数据集进行数据的特征提取；对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，从而将水印嵌入到智能模型中；水印提取过程为：以非公开数据集为密钥，以密钥为输入数据通过服务器上的API接口调用正版智能模型，将返回的查询结果与预测的分类结果进行比对，以实现水印的提取。该方法及系统无需获取智能模型即可远程进行水印的检测和提取，易于实现，安全性高。

Description

基于卷积神经网络的智能模型水印嵌入和提取方法及系统
技术领域
本发明涉及数字水印技术领域，具体涉及一种基于卷积神经网络的智能模型水印嵌入和提取方法及系统。
背景技术
自1994年Van Schyndel提出数字水印理论以来，数字水印已经在图像、声音、软件、视频数据的提取版权中起到了保护知识产权的作用。然而，在当前人工智能时代，以深度学习技术为基础的人工智能模型，还没有有效的保护所有者和智能模型可追踪的技术方案。
智能模型作为人工智能时代的新的电子物件，目前已引起了国内外学者的关注。Uchida等人在2017年提出了深度神经网络的水印嵌入算法。Nagai等在2018年提出了深度学习模型的数字水印算法。然而，上述算法需要直接修改模型的权值，并且，检测和提取水印需要直接获得智能模型。因此，上述算法具有明显的缺欠：检测和提取者获取智能模型困难。因为大多数智能模型在服务器端，无法直接下载服务器端的智能模型，就算能够获得智能算法，需要读懂源程序，因此，司法取证和水印提取困难。Erwan Le Merrer等于2019年提出了一种利用对抗模型实例的新型基于决策边界修改的水印算法，允许通过远程API进行查询并提取水印。然而，该方法会导致模型的识别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击从而导致水印无法成功提取。
以深度学习为代表的新一代人工智能模型要求同时具备高性能计算机、大数据支撑的条件，然而，这类智能模型的研制凝聚了大量的物力、财力和人力。因此，保护这类人工智能模型的知识产权的水印技术是当前智能社会急需的技术。
发明内容
本发明的目的在于提供一种基于卷积神经网络的智能模型水印嵌入和提取方法及系统，该方法及系统无需获取智能模型即可远程进行水印的检测和提取，易于实现，安全性高。
为实现上述目的，本发明采用的技术方案是：一种基于卷积神经网络的智能模型水印嵌入和提取方法，其特征在于，包括水印嵌入过程和水印提取过程，所述水印嵌入过程为：
1)建立一个包含公开数据集与非公开数据集的数据集，其中公开数据集中的数据只包括关键特征，非公开数据集中的数据包括关键特征和隐含的非关键特征；
2)对数据集进行数据的特征提取，包括关键特征和隐含非关键特征；
3)基于步骤2)得到的关键特征和隐含非关键特征，将N分类问题转化为M分类问题，对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，在N分类结果的基础上得到细化分类的M分类结果的智能模型，从而将隐含非关键特征作为水印嵌入到智能模型中；
所述水印提取过程为：服务器提供一个可以调用正版智能模型的API接口，在远程计算机以非公开数据集为密钥，以密钥为输入数据通过API接口调用正版智能模型，将返回一组查询结果，将得到的查询结果与待测智能模型预测的分类结果进行比对，根据预测的分类结果与查询结果的误差是否在容错范围内，识别待测智能模型的所有权，实现水印的提取。
进一步地，将N分类问题(N1,N2,N3,......,Nn)转化为M分类问题(N11,N12,...,N1k1,N21,N22,...,N2k2,......,Nn1,Nn2,...,Nnkn)，其中：
其中，Ni1,Ni2,...,Niki是在隐含非关键特征基础上，对N分类问题中第i个类Ni更细化的划分，Nij，0≦j≦ki满足以下条件：
Figure BDA0002252532710000022
Figure BDA0002252532710000023
即在隐含非关键特征基础上划分出的子类的集合是类别Ni的总和，且任何子类都不存在交集，以保证标签的唯一性与分类的特异性。
进一步地，采用归零标注方式在类别Ni内部进行过拟合分类：将ki个分类边界的紧邻处的非公开样本进行归零标注，以实现非关键特征的过拟合。
本发明还提供了一种基于卷积神经网络的智能模型水印嵌入和提取系统，包括服务器和远程计算机，所述服务器上设有水印嵌入模块，用于生成嵌入有水印的正版智能模型，所述水印嵌入模块按如下方法生成嵌入有水印的正版智能模型：
1)建立一个包含公开数据集与非公开数据集的数据集，其中公开数据集中的数据只包括关键特征，非公开数据集中的数据包括关键特征和隐含的非关键特征；
2)对数据集进行数据的特征提取，包括关键特征和隐含非关键特征；
3)基于步骤2)得到的关键特征和隐含非关键特征，将N分类问题转化为M分类问题，对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，在N分类结果的基础上得到细化分类的M分类结果的智能模型，从而将隐含非关键特征作为水印嵌入到智能模型中；
所述服务器还用于提供可以调用正版智能模型的API接口；
所述远程计算机上设有水印提取模块，所述水印提取模块按如下方法进行水印提取：在远程计算机以非公开数据集为密钥，以密钥为输入数据通过API接口调用正版智能模型，将返回一组查询结果，将得到的查询结果与待测智能模型预测的分类结果进行比对，根据预测的分类结果与查询结果的误差是否在容错范围内，识别待测智能模型的所有权，实现水印的提取。
相较于现有技术，本发明具有以下有益效果：通过远程API，可以通过少量的查询进行水印的提取，从而确定模型所有者身份，不再需要下载服务器端的模型或者读懂源程序，司法取证时也只需要看查询的分类结果与预期结果是否相符，司法取证会变得异常简单，且具有很强的安全性和鲁棒性。此外，在隐含特征的基础上对模型进行再分类，水印机制的实现不以模型的精确度作为代价，因此不会破坏模型的原始精度，模型精确度高。因此，本发明具有很强的实用性和广阔的行业、产业应用前景，其应用场景覆盖深度学习领域，也可应用于普通的浅层网络。
优选用于深度神经网络，也不限于浅度神经网络
附图说明
图1是本发明实施例中采用归零标注实现水印嵌入的示意图(以三分类问题为例)。
图2是本发明实施例的水印嵌入流程图。
图3是本发明实施例的水印提取流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
基于卷积神经网络(或其他任何机器学习模型)的类别划分可定义为N分类问题(N1,N2,N3,......,Nn)，且都是基于一些特征进行分类的，这些特征称为关键特征。通过关键特征进行分类，可以达到智能的应用。
水印嵌入阶段，本发明建立一个包含公开数据集与非公开数据集的数据集。其中公开数据集中的数据只存在关键特征。非公开数据集中的数据则包含了关键特征与隐含的非关键特征。本发明是在关键特征进行分类的同时，通过寻找一些隐含非关键特征，将此作为模型的水印进行比关键特征更细的分类，从而将N分类问题(N1,N2,N3,......,Nn)转化为M分类问题(N11,N12,...,N1k1,N21,N22,...,N2k2,......,Nn1,Nn2,...,Nnkn)，其中：
Figure BDA0002252532710000041
其中，Ni1,Ni2,...,Niki是在隐含非关键特征基础上，对N分类问题中第i个类Ni更细化的划分，Nij，0≦j≦ki满足以下条件：
Figure BDA0002252532710000042
Figure BDA0002252532710000043
即在隐含非关键特征基础上划分出的子类的集合是类别Ni的总和，且任何子类都不存在交集，从而保证了标签的唯一性与分类的特异性。
除此之外，本发明利用“过拟合”提高模型的独特性，从而为智能模型产生指纹。在隐含非关键特征分类上，本发明在模型的决策边界训练出过拟合，使模型对于隐含特征过度依赖，即只有在非公开数据集中的数据能够获得比其他假设更好的拟合，但是在非公开数据集之外的数据集上却不能很好地拟合数据，从而保证模型水印的特异性。“过拟合”在机器学习领域通常都作为一个负面形象出现，但是本发明恰恰利用其在训练集上表现优异，测试集上表现糟糕的特性，将非公开数据集作为秘钥K，从而保证水印的安全性。Ni内部子分类的“过拟合”方式采用归零标注方式。
所述归零标注是在Ni内部进行分类时，将ki个分类边界的紧邻处的非公开样本图片进行重新标注，将决策边界处的
Figure BDA0002252532710000044
样本和X样本都标记为X样本(
Figure BDA0002252532710000045
表示的X否定，下同)，
Figure BDA0002252532710000046
样本和O样本都标记O样本，
Figure BDA0002252532710000047
样本和Δ样本都标记为Δ样本，以此保证水印的独特性，这种独特性是把非公开样本进行了归零标注，进而实现了非关键特征的过拟合。图1表示了采用过拟合嵌入水印的过程，即将如图1(a)所示的普通分类训练成如图1(b)所示的过拟合形式。
由于本发明选取的隐含非关键特征不是关键特征，进而，智能模型分类结果准确度高，模型的性能不会受到影响。由于隐含非关键特征与非公开数据集的非公开性，除所有者之外的其他人员将很难猜测本发明用来添加水印的隐含特征及用来作为密钥的数据集，进而避免水印被恶意破坏或推测。此外，“过拟合”的应用则为水印的安全性提供了第二层防御。因而，本发明具有很强的鲁棒性。
本发明提供的基于卷积神经网络的智能模型水印嵌入和提取方法，包括水印嵌入过程和水印提取过程。如图2所示，所述水印嵌入过程为：
1)建立一个包含公开数据集与非公开数据集的数据集，其中公开数据集中的数据只包括关键特征，非公开数据集中的数据包括关键特征和隐含的非关键特征。
2)对数据集进行数据的特征提取，包括关键特征和隐含非关键特征。
3)基于步骤2)得到的关键特征和隐含非关键特征，将N分类问题转化为M分类问题，对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，在N分类结果的基础上得到细化分类的M分类结果的智能模型，从而将隐含非关键特征作为水印嵌入到智能模型中。
当然，子类的存在(M分类问题)只是为了水印的嵌入与提取，本发明仍然将子类归到N分类问题中的某个类别Ni。至此，利用隐含特征生成的水印已经嵌入到整个模型中。
图2是以智能驾驶-方向智能控制模型为例的水印嵌入流程及分类结果，包含停止、向前、向右、向左四分类。本发明将向左分类中路面的光滑度作为隐含非关键特征对该模型进行再分类，那么，该模型将变成五分类问题，即停止、向前、向右、向左光滑、向左粗糙。分类结果向左光滑、向左粗糙即为提取的水印。
如图3所示，所述水印提取过程为：
服务器提供一个可以调用正版智能模型的API接口，在远程计算机以非公开数据集为密钥，以密钥为输入数据通过API接口调用正版智能模型，将返回一组查询结果，将得到的查询结果与待测智能模型预测的分类结果进行比对，根据预测的分类结果与查询结果的误差是否在容错范围内，识别待测智能模型的所有权，实现水印的提取，如图3所示。即如果待测智能模型能够正确区分隐含非关键特征，提取出正确的水印，则说明该模型学习到了水印的知识表示。
本发明还提供了用于实现上述方法的基于卷积神经网络的智能模型水印嵌入和提取系统，包括服务器和远程计算机，所述服务器上设有水印嵌入模块，用于生成嵌入有水印的正版智能模型，所述水印嵌入模块按如下方法生成嵌入有水印的正版智能模型：
1)建立一个包含公开数据集与非公开数据集的数据集，其中公开数据集中的数据只包括关键特征，非公开数据集中的数据包括关键特征和隐含的非关键特征；
2)对数据集进行数据的特征提取，包括关键特征和隐含非关键特征；
3)基于步骤2)得到的关键特征和隐含非关键特征，将N分类问题转化为M分类问题，对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，在N分类结果的基础上得到细化分类的M分类结果的智能模型，从而将隐含非关键特征作为水印嵌入到智能模型中；
所述服务器还用于提供可以调用正版智能模型的API接口；
所述远程计算机上设有水印提取模块，所述水印提取模块按如下方法进行水印提取：在远程计算机以非公开数据集为密钥，以密钥为输入数据通过API接口调用正版智能模型，将返回一组查询结果，将得到的查询结果与待测智能模型预测的分类结果进行比对，根据预测的分类结果与查询结果的误差是否在容错范围内，识别待测智能模型的所有权，实现水印的提取。
以智能驾驶-方向智能控制模型的水印为例：
本实施例的智能驾驶-方向智能控制模型属于深度神经网络模型，包含停止、向前、向右、向左四分类。本发明将向左分类中路面的光滑度作为隐含水印特征对该模型进行再分类，那么，该模型将变成五分类问题，即停止、向前、向右、向左光滑、向左粗糙。此时，光滑度这个非公开特征将作为水印被嵌入该模型。通过1万张图像进行训练，已经达到了识别率98.6％，相关流程如图2所示。
除了非公开特征外，本发明把向左光滑、向左粗糙的图像数据集对这些非公开特征的决策边界进行过拟合训练，让模型对隐含的图像样本数据过度依赖，进而增强了模型水印的安全性和唯一性。例如，将肉眼可见比较粗糙的向左图片和肉眼可见的不粗糙向左的图片打上“向左粗糙”的标签，肉眼可见比较光滑的向左路面和不光滑的向左路面打上“向左光滑”的标签，非常平滑与非常粗糙的则保持正确的标签，从而保证查询结果的特异性。过拟合意味着决策边界依赖作为密钥的非公开样本。
提取水印时，无需获取到智能模型(包括代码和模型文件)，可以通过API使用少量的查询方便地提取模型水印，如图3所示。在这里，本发明通过输入一组图片(来源于非公开隐含的图像数据集)，将输出结果与我们的预期结果做比对，若结果落在隐含数据集正确的标记中，则可以确定模型的所有者身份。本实施例的水印提取成功率达到了99.8％。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于卷积神经网络的智能模型水印嵌入和提取方法，其特征在于，包括水印嵌入过程和水印提取过程，所述水印嵌入过程为：
1)建立一个包含公开数据集与非公开数据集的数据集，其中公开数据集中的数据只包括关键特征，非公开数据集中的数据包括关键特征和隐含的非关键特征；
2)对数据集进行数据的特征提取，包括关键特征和隐含非关键特征；
3)基于步骤2)得到的关键特征和隐含非关键特征，将N分类问题转化为M分类问题，对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，在N分类结果的基础上得到细化分类的M分类结果的智能模型，从而将隐含非关键特征作为水印嵌入到智能模型中；
所述水印提取过程为：服务器提供一个可以调用正版智能模型的API接口，在远程计算机以非公开数据集为密钥，以密钥为输入数据通过API接口调用正版智能模型，将返回一组查询结果，将得到的查询结果与待测智能模型预测的分类结果进行比对，根据预测的分类结果与查询结果的误差是否在容错范围内，识别待测智能模型的所有权，实现水印的提取。
2.根据权利要求1所述的基于卷积神经网络的智能模型水印嵌入和提取方法，其特征在于，将N分类问题(N1,N2,N3,......,Nn)转化为M分类问题(N11,N12,...,N1k1,N21,N22,...,N2k2,......,Nn1,Nn2,...,Nnkn)，其中：
Figure FDA0002252532700000011
其中，Ni1,Ni2,...,Niki是在隐含非关键特征基础上，对N分类问题中第i个类Ni更细化的划分，Nij，0≦j≦ki满足以下条件：
即在隐含非关键特征基础上划分出的子类的集合是类别Ni的总和，且任何子类都不存在交集，以保证标签的唯一性与分类的特异性。
3.根据权利要求2所述的基于卷积神经网络的智能模型水印嵌入和提取方法，其特征在于，采用归零标注方式在类别Ni内部进行过拟合分类：将ki个分类边界的紧邻处的非公开样本进行归零标注，以实现非关键特征的过拟合。
4.一种基于卷积神经网络的智能模型水印嵌入和提取系统，其特征在于，包括服务器和远程计算机，所述服务器上设有水印嵌入模块，用于生成嵌入有水印的正版智能模型，所述水印嵌入模块按如下方法生成嵌入有水印的正版智能模型：
1)建立一个包含公开数据集与非公开数据集的数据集，其中公开数据集中的数据只包括关键特征，非公开数据集中的数据包括关键特征和隐含的非关键特征；
2)对数据集进行数据的特征提取，包括关键特征和隐含非关键特征；
3)基于步骤2)得到的关键特征和隐含非关键特征，将N分类问题转化为M分类问题，对基于卷积神经网络的智能模型进行训练，在模型训练时，对隐含非关键特征的决策边界进行过拟合训练，在N分类结果的基础上得到细化分类的M分类结果的智能模型，从而将隐含非关键特征作为水印嵌入到智能模型中；
所述服务器还用于提供可以调用正版智能模型的API接口；
所述远程计算机上设有水印提取模块，所述水印提取模块按如下方法进行水印提取：在远程计算机以非公开数据集为密钥，以密钥为输入数据通过API接口调用正版智能模型，将返回一组查询结果，将得到的查询结果与待测智能模型预测的分类结果进行比对，根据预测的分类结果与查询结果的误差是否在容错范围内，识别待测智能模型的所有权，实现水印的提取。
CN201911039838.0A 2019-10-29 2019-10-29 基于卷积神经网络的智能模型水印嵌入和提取方法及系统 Active CN110766598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911039838.0A CN110766598B (zh) 2019-10-29 2019-10-29 基于卷积神经网络的智能模型水印嵌入和提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911039838.0A CN110766598B (zh) 2019-10-29 2019-10-29 基于卷积神经网络的智能模型水印嵌入和提取方法及系统

Publications (2)

Publication Number Publication Date
CN110766598A true CN110766598A (zh) 2020-02-07
CN110766598B CN110766598B (zh) 2023-04-07

Family

ID=69334809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911039838.0A Active CN110766598B (zh) 2019-10-29 2019-10-29 基于卷积神经网络的智能模型水印嵌入和提取方法及系统

Country Status (1)

Country Link
CN (1) CN110766598B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210380A (zh) * 2020-04-20 2020-05-29 成都华栖云科技有限公司 基于深度学习分片式图像数字水印嵌入及解密方法及系统
CN111490872A (zh) * 2020-03-19 2020-08-04 清华大学深圳国际研究生院 一种基于公私钥对的深度学习模型水印的嵌入和提取方法
CN111523094A (zh) * 2020-03-25 2020-08-11 平安科技（深圳）有限公司 深度学习模型水印嵌入方法、装置、电子设备及存储介质
CN113658032A (zh) * 2021-10-20 2021-11-16 广东迅维信息产业股份有限公司 基于深度学习和图像处理的图像水印加解密方法及系统
CN113902121A (zh) * 2021-07-15 2022-01-07 陈九廷 一种电池劣化推测装置校验的方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1750630A (zh) * 2004-09-14 2006-03-22 Nec个人产品有限公司 用于编辑运动图像数据的设备及方法
CN104361548A (zh) * 2014-10-28 2015-02-18 河南师范大学 基于bp神经网络数字图像压缩的图像水印嵌入与提取方法
CN109784181A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 图片水印识别方法、装置、设备及计算机可读存储介质
CN109951511A (zh) * 2019-01-08 2019-06-28 上海大学 基于区块链平台的买方卖方安全数字水印协议生成方法
US20190221312A1 (en) * 2016-09-07 2019-07-18 Koninklijke Philips N.V. Systems, methods, and apparatus for diagnostic inferencing with a multimodal deep memory network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1750630A (zh) * 2004-09-14 2006-03-22 Nec个人产品有限公司 用于编辑运动图像数据的设备及方法
CN104361548A (zh) * 2014-10-28 2015-02-18 河南师范大学 基于bp神经网络数字图像压缩的图像水印嵌入与提取方法
US20190221312A1 (en) * 2016-09-07 2019-07-18 Koninklijke Philips N.V. Systems, methods, and apparatus for diagnostic inferencing with a multimodal deep memory network
CN109784181A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 图片水印识别方法、装置、设备及计算机可读存储介质
CN109951511A (zh) * 2019-01-08 2019-06-28 上海大学 基于区块链平台的买方卖方安全数字水印协议生成方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WENBO ZHENG 等: "Robust and high capacity watermarking for image based on DWT-SVD and CNN", 《2018 13TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 *
刘万军等: "自适应增强卷积神经网络图像识别", 《中国图象图形学报》 *
李敬轩: "抗几何攻击的RGB图像鲁棒水印与基于卷积神经网络的手写数字识别算法", 《中国优秀硕士学位论文全文数据库》 *
李春花等: "基于支持向量机的自适应图像水印技术", 《计算机研究与发展》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111490872A (zh) * 2020-03-19 2020-08-04 清华大学深圳国际研究生院 一种基于公私钥对的深度学习模型水印的嵌入和提取方法
CN111490872B (zh) * 2020-03-19 2022-09-16 清华大学深圳国际研究生院 一种基于公私钥对的深度学习模型水印的嵌入和提取方法
CN111523094A (zh) * 2020-03-25 2020-08-11 平安科技（深圳）有限公司 深度学习模型水印嵌入方法、装置、电子设备及存储介质
CN111523094B (zh) * 2020-03-25 2023-04-18 平安科技（深圳）有限公司 深度学习模型水印嵌入方法、装置、电子设备及存储介质
CN111210380A (zh) * 2020-04-20 2020-05-29 成都华栖云科技有限公司 基于深度学习分片式图像数字水印嵌入及解密方法及系统
CN111210380B (zh) * 2020-04-20 2020-07-14 成都华栖云科技有限公司 基于深度学习分片式图像数字水印嵌入及解密方法及系统
CN113902121A (zh) * 2021-07-15 2022-01-07 陈九廷 一种电池劣化推测装置校验的方法、装置、设备及介质
CN113658032A (zh) * 2021-10-20 2021-11-16 广东迅维信息产业股份有限公司 基于深度学习和图像处理的图像水印加解密方法及系统

Also Published As

Publication number Publication date
CN110766598B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110766598B (zh) 基于卷积神经网络的智能模型水印嵌入和提取方法及系统
Meng et al. A Fusion Steganographic Algorithm Based on Faster R-CNN.
Luo et al. Coverless real-time image information hiding based on image block matching and dense convolutional network
Babu et al. Efficient detection of copy-move forgery using polar complex exponential transform and gradient direction pattern
Guo et al. Fake colorized image detection
Costanzo et al. Forensic analysis of SIFT keypoint removal and injection
Marra et al. On the vulnerability of deep learning to adversarial attacks for camera model identification
Saber et al. A survey on image forgery detection using different forensic approaches
CN109543674B (zh) 一种基于生成对抗网络的图像拷贝检测方法
Deep Kaur et al. An analysis of image forgery detection techniques
Quiring et al. Adversarial machine learning against digital watermarking
Zhang et al. Multi-scale segmentation strategies in PRNU-based image tampering localization
Emam et al. A robust detection algorithm for image Copy-Move forgery in smooth regions
Lee et al. License plate detection via information maximization
CN112907431B (zh) 一种对对抗隐写鲁棒的隐写分析方法
Agarwal et al. The advent of deep learning-based image forgery detection techniques
Waleed et al. Comprehensive display of digital image copy-move forensics techniques
Li et al. A novel robustness image watermarking scheme based on fuzzy support vector machine
Liu et al. Image forgery localization based on fully convolutional network with noise feature
Latha et al. Image Forgery Detection Using Machine Learning
Hou et al. New framework for unsupervised universal steganalysis via SRISP-aided outlier detection
Venugopalan et al. Copy-Move Forgery Detection-A Study and the Survey
Lin et al. A Lightweight Embedding Probability Estimation Algorithm Based on LBP for Adaptive Steganalysis
Parikh et al. Car Type and License Plate Detection Based on YOLOv4 with Darknet Framework (CTLPD)
Li et al. Unsupervised steganalysis over social networks based on multi-reference sub-image sets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant