CN112906715A - 一种基于深度神经网络的安全图像特征提取与分类方法 - Google Patents

一种基于深度神经网络的安全图像特征提取与分类方法 Download PDF

Info

Publication number
CN112906715A
CN112906715A CN202110195599.9A CN202110195599A CN112906715A CN 112906715 A CN112906715 A CN 112906715A CN 202110195599 A CN202110195599 A CN 202110195599A CN 112906715 A CN112906715 A CN 112906715A
Authority
CN
China
Prior art keywords
image
neural network
deep neural
server
extracting
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.)
Withdrawn
Application number
CN202110195599.9A
Other languages
English (en)
Inventor
王勇
王范川
林劼
王晓虎
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110195599.9A priority Critical patent/CN112906715A/zh
Publication of CN112906715A publication Critical patent/CN112906715A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度神经网络的安全图像特征提取与分类方法，包括以下步骤：步骤1：图像加密，通过秘密分享的形式对原始图像数据进行加密；步骤2：代理重加密，两个服务器通过合作将秘密分享形式的加密图像转换成同态加密的图像；步骤3：特征提取，通过深度神经网络模型提取图像特征向量；步骤4：图像分类，根据SoftMax的结果，确定最终的图像的分类值，进行图像分类。本发明通过PAHE同态方案结合两方安全技术确保了图像数据信息和深度神经网络的信息的机密性，具体包括用户上传图像数据、DNN网络训练参数、DNN网络输出的特征向量、DNN网络中间计算结果；同时确保了图像分类的准确性和计算效率。

Description

一种基于深度神经网络的安全图像特征提取与分类方法
技术领域
本发明涉及计算机安全管理技术领域，尤其涉及一种基于深度神经网络的安全图像特征提取与分类方法。
背景技术
深度神经网络(DNN)在处理图像分类方面显示出巨大的业务和技术优势。由于云计算服务的经济性，基于DNN的图像分类采用远程服务应用接口的方式提供给用户使用。但是，这种服务方式在图像数据分类安全性方面提出了新的问题。一方面，图像数据包含更丰富的信息，用户处于隐私安全的顾虑，要求输入图像和分类结果保持机密性；另一方面，基于DNN的图像分类算法具备较高的商业价值，算法提供者也希望设计的DNN网络结构、训练参数以及中间结果保持机密性。
因此，要求云服务商提供智能且安全的图像特征提取与分类方法，同时保障用户和算法提供者数据的安全性。全同态加密技术从原理上可以满足上述需求，但是由于其高计算和内容开销，难以应用到大规模图像数据处理场景。安全多方计算(SMC)也可以作为另一种备选方案，但是这种方法带宽消耗高，要求用户参与整个计算过程，难以实现云计算中软件即服务的设计要求。
发明内容
本发明的目的在于克服现有技术的不足，解决图像分类中数据机密性的问题，提供一种基于深度神经网络的安全图像特征提取与分类方法。
本发明的目的是通过以下技术方案来实现的：
一种基于深度神经网络的安全图像特征提取与分类方法，包括以下步骤：
步骤1：通过秘密分享的形式对原始图像数据进行加密；
步骤2：两个服务器通过合作将秘密分享形式的加密图像转换成同态加密的图像；
步骤3：通过构建深度神经网络模型提取图像特征向量；
步骤4：根据SoftMax的结果，确定最终的图像的分类值，进行图像分类。
进一步的，所述步骤1具体包括以下子步骤：
步骤101：通过秘密分享的形式，在原始图像上加入和原始图像相同大小的随机噪声；
步骤102：将随机噪声发送给分布式服务器1；
步骤103：加入噪声之后的随机图像发送给服务器2。
进一步的，所述步骤2具体包括以下子步骤：
步骤201：以秘密分享的形式将原始图像y发送至分布式服务器1和服务器2，服务器1持有加性分享
Figure BDA0002944839400000021
服务器2持有另一部分秘密分享
Figure BDA0002944839400000022
其中，
Figure BDA0002944839400000023
步骤202：首先服务器1使用PAHE同态加密对
Figure BDA0002944839400000024
进行加密得到密文
Figure BDA0002944839400000025
并将其发送给服务器2；
步骤203：服务器2利用同态加法，将
Figure BDA0002944839400000026
加到密文
Figure BDA0002944839400000027
上，得到密文[y]；其中，
Figure BDA0002944839400000028
进一步的，所述深度神经网络模型包括线性层和非线性层；利用同态加密结合两方安全计算技术对加密图像进行安全的前向推理计算，提取图像特征向量。
进一步的，所述线性层包括卷积层和全连接层，通过基于格的同态加密进行卷积计算。
进一步的，所述非线性层利用两方安全计算技术，通过两方协议进行非线性层的计算。
进一步的，所述步骤4包括以下子步骤：
步骤401：将图像特征向量经过SoftMax函数进行归一化处理；
步骤402：根据SoftMax的结果比较向量中的概率值的大小，获得最终图像的分类值；
步骤403：根据分类值进行图像分类。
本发明的有益效果：本发明通过PAHE同态方案结合两方安全技术确保了图像数据信息和深度神经网络的信息的机密性，具体包括用户上传图像数据、DNN网络训练参数、DNN网络输出的特征向量、DNN网络中间计算结果，同时确保了图像分类的准确性和计算效率。
附图说明
图1为本发明的方法流程图。
图2为本发明的安全的线性层计算流程图。
图3为本发明的分而治之的线性层计算方法图。
图4为本发明的安全计算激活函数的理想协议图。
图5为本发明的安全计算激活函数的框架图。
图6为本发明的ReLU激活函数的电路图设计以及两方协议图。
图7为本发明的LeakyReLU激活函数的电路图设计以及两方协议图。
图8为本发明的MaxPOOL池化函数的两方协议图。
图9为本发明的MeanPOOL池化函数的两方协议图。
图10为本发明的Sigmod激活函数的函数和电路设计图。
图11为本发明的Sigmod激活函数的两方协议图。
图12为本发明的Tanh激活函数的函数和电路设计图。
图13为本发明的Tanh激活函数的两方协议图。
图14为本发明的SoftMax的两方协议图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
本实施例中，如图1所示，一种基于深度神经网络的安全图像特征提取与分类方法，包括以下步骤：
步骤1：图像加密，通过秘密分享的形式，在原始图像上加入和原始图像相同大小的随机噪声，将随机噪声发送给分布式服务器1，加入噪声之后的随机图像发送给服务器2；
步骤2：代理重加密，所述代理重加密具体为：
首先，以秘密分享的形式将原始图像y发送至分布式服务器1和服务器2，服务器1持有加性分享
Figure BDA0002944839400000031
服务器2持有另一部分秘密分享
Figure BDA0002944839400000032
其中，
Figure BDA0002944839400000033
其次，服务器1使用PAHE同态加密对
Figure BDA0002944839400000034
进行加密得到密文
Figure BDA0002944839400000035
并将其发送给服务器2；
最后，服务器2利用同态加法，将
Figure BDA0002944839400000036
加到密文
Figure BDA0002944839400000037
上，得到密文[y]；其中，
Figure BDA0002944839400000038
步骤3：特征提取，通过构建深度神经网络模型，利用同态加密结合两方安全计算技术对加密图像进行安全的前向推理计算，提取特征向量；
所述深度神经网络包括安全的线性层和安全的非线性层；
所述线性层，即卷积层(Conv)和全连接层(FC)计算，通过基于格的同态加密技术进行安全的卷积计算；如图2所示，具体为：
首先，服务器2拿到输入图像的密文[y]之后,利用PAHE同态加密方案执行同态的卷积计算；同态卷积的计算结果记为[x]；
然后，服务器2产生随机噪声
Figure BDA0002944839400000039
并执行同态加法，即
Figure BDA00029448394000000310
将密文结果
Figure BDA00029448394000000311
发送给服务器1；其中，随机噪声
Figure BDA00029448394000000312
为大小和卷积结果图像相同的随机矩阵。
最后，服务器1用私钥Sk对密文结果进行解密得到明文
Figure BDA0002944839400000041
将明文作为卷积结果x的一部分秘密分享，而另一部分分享
Figure BDA0002944839400000042
则被服务器2所拥有。
所述非线性层，利用两方安全计算技术，设计两方协议实现非线性层的计算；具体为：
Step1、对用于安全计算激活函数的理想协议，如图4所示，给定任意激活函数f(x)，输入为三个向量：来自服务器2的随机向量Sr1和Sr2，以及来自服务器2的Cx+r1＝x+Sr1；结果Sr2输出到服务器2，结果Cy＝f(Cx+r1-Sr1)输出到服务器1；如图5所示，电路包括三个部分：第一部分是消除由先前的线性层引入的噪声Sr1，通过算术减法并减去p以获得结果modp；第二部分是计算非线性激活函数f(x)(例如ReLU，MaxPool和Sigmod函数)；第三部分是引入新的噪声Sr2，产生输非线性层出结果Cf(x)+Sr2。
Step2、对于给定的两个整数x，y∈Z，为了安全的比较x和y的值，设计了安全的比较协议；将x和y之间的比较转换为(x-y)和0之间的比较，即
Figure BDA0002944839400000043
当x>y时，则compare(x,y)＝1；当x＜y时，compare(x,y)＝0；由于x和y通过加性秘密分享技术被划分为两个部分，即x＝x′-x″，y＝y′-y″；其中，服务器1持有x′和x″，服务器2持有y′和y″；因此
Figure BDA0002944839400000044
compare(x,y)可以通过简单的布尔电路实现，只需要“+”、“-”和“>”门和多路选择器，“+”表示整数加法电路，“-”表示整数减法电路，“>”表示比较电路，当输入大于
Figure BDA0002944839400000045
的时候输出1，否则输出0。
Step3、对于分段线性函数：ReLU和LeakyReLU，可以设计两方安全协议去执行。针对ReLU函数f(x)＝max(x,0)，只需要计算
Figure BDA0002944839400000046
其中x是加性分享的形式。使用混淆电路实现ReLU协议，如图6所示，电路只涉及“>”门电路和选择器(如图6中梯形所示)。针对LeakyReLU函数，
Figure BDA0002944839400000047
其中x是加性分享的形式，两方安全协议如图7所示。
Step4、对于池化函数：MaxPOOL和MeanPOOL，它们将输入分为若干个组，并获取每个组中元素的平均值或最大值。他们的两方协议分别如图8和图9所示。
Step5、对于平滑激活函数：Sigmod和Tanh，它们不像分段线性函数和池化函数那样可以直接使用两方安全协议设计实现，因为平滑函数通常包括实数的除法操作和指数ex操作，这对于两方协议来说代价是非常昂贵的。因此，这里通过近似分段函数来替代平滑函数，思想是将平滑函数f(x)划分成若干个小的区间，每一个小的区间使用一个近似函数来替代。
针对于Sigmod函数，
Figure BDA0002944839400000051
如图10所示，定义一组近似分段函数：
Figure BDA0002944839400000052
如图11所示，Sigmod函数可以转换为两方安全协议，我们可以计算
Figure BDA0002944839400000053
和
Figure BDA0002944839400000054
去确定每一个区间，并使用混淆电路实现；
针对于Tanh函数
Figure BDA0002944839400000055
如图12所示，和Sigmod类似，同样定义一组近似分段函数：
Figure BDA0002944839400000056
如图13所示，Tanh函数可以转换为两方安全协议.可以使用混淆电路实现。
步骤4：图像分类，具体为：首先，安全的特征提取之后得到特征向量，并以秘密分享的形式分别被服务器1和服务器2所持有；对于SoftMax函数，如图14所示，同样设计两方安全协议并用混淆电路实现；然后，根据SoftMax的结果，通过比较向量中的概率值的大小确定最终的图像的分类值，并通过安全的比较协议实现。
在本实施例中，关于深度神经网络模型的线性层的构建，问题1：由于因为PAHE同态方案不支持浮点数，而CNN模型的权重实际上是实数。因此，采用scale up的方式，即将实数直接放大10n倍，然后将它们转换为64位整数，该整数表示n个小数点的固定精度的实数。显然，较大的n将导致更好的精度，但在执行同态加法和乘法时可能会导致结果溢出。取而代之的是，确定适当的n，以使任意两个后缩放整数的同态加法(或乘法)结果不会溢出p。
问题2：当输入和输出通道的数量变得很大的时候，同态运算的数量将急剧增加，使得同态引入噪声水平太大，从而导致同态操作后解密失败。
因此，采用分而治之的线性层计算方法。如图3所示，以Conv层为例。
加密输入图像的大小为3×256×256，加密过滤器的大小为1×3×3×3。服务器2将加密的输入图像分为三个组，即[x1]、[x2]和[x3]，相应的过滤器为[y1][y2]和[y3]；
服务器2对每个组执行同态卷积计算，得出[yi]＝[xi]*[fi],i＝1,2,3；
服务器2随机生成噪声r并执行同态加法：[yi+r]＝[yi]+r,i＝1,2,3，将它们发送到服务器1；
服务器1使用私钥Sk解密以获得明文:y1+r、y2+r和y3+r。服务器1对它们进行明文的求和：y1+y2+y3+3r，然后用公钥Ck对他们进行加密得到[y1+y2+y3+3r]；
服务器2通过同态减去3r获得正确的加密卷积结果[y]＝[y1+y2+y3+3r]-3r。
本发明通过PAHE同态方案结合两方安全技术确保了图像数据信息和深度神经网络的信息的机密性，具体包括用户上传图像数据、DNN网络训练参数、DNN网络输出的特征向量、DNN网络中间计算结果；同时确保了图像分类的准确性和计算效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，包括以下步骤：
步骤1：通过秘密分享的形式对原始图像数据进行加密；
步骤2：两个服务器通过合作将秘密分享形式的加密图像转换成同态加密的图像；
步骤3：通过深度神经网络模型提取图像特征向量；
步骤4：根据SoftMax的结果，确定最终的图像的分类值，进行图像分类。
2.根据权利要求1所述的一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，所述步骤1具体包括以下子步骤：
步骤101：通过秘密分享的形式，在原始图像上加入和原始图像相同大小的随机噪声；
步骤102：将随机噪声发送给分布式服务器1；
步骤103：加入噪声之后的随机图像发送给服务器2。
3.根据权利要求1所述的一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，所述步骤2具体包括以下子步骤：
步骤201：以秘密分享的形式将原始图像y发送至分布式服务器1和服务器2，服务器1持有加性分享
Figure FDA0002944839390000011
服务器2持有另一部分秘密分享
Figure FDA0002944839390000012
其中，
Figure FDA0002944839390000013
步骤202：首先服务器1使用PAHE同态加密对
Figure FDA0002944839390000014
进行加密得到密文
Figure FDA0002944839390000015
并将其发送给服务器2；
步骤203：服务器2利用同态加法，将
Figure FDA0002944839390000016
加到密文
Figure FDA0002944839390000017
上，得到密文[y]；其中，
Figure FDA0002944839390000018
4.根据权利要求1所述的一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，所述深度神经网络模型包括线性层和非线性层；利用同态加密结合两方安全计算技术对加密图像进行安全的前向推理计算，提取图像特征向量。
5.根据权利要求4所述的一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，所述线性层包括卷积层和全连接层，通过基于格的同态加密进行卷积计算。
6.根据权利要求4所述的一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，所述非线性层利用两方安全计算技术，通过两方协议进行非线性层的计算。
7.根据权利要求1所述的一种基于深度神经网络的安全图像特征提取与分类方法，其特征在于，所述步骤4包括以下子步骤：
步骤401：将图像特征向量经过SoftMax函数进行归一化处理；
步骤402：根据SoftMax的结果比较向量中的概率值的大小，获得最终图像的分类值；
步骤403：根据分类值进行图像分类。
CN202110195599.9A 2021-02-19 2021-02-19 一种基于深度神经网络的安全图像特征提取与分类方法 Withdrawn CN112906715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195599.9A CN112906715A (zh) 2021-02-19 2021-02-19 一种基于深度神经网络的安全图像特征提取与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195599.9A CN112906715A (zh) 2021-02-19 2021-02-19 一种基于深度神经网络的安全图像特征提取与分类方法

Publications (1)

Publication Number Publication Date
CN112906715A true CN112906715A (zh) 2021-06-04

Family

ID=76124254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195599.9A Withdrawn CN112906715A (zh) 2021-02-19 2021-02-19 一种基于深度神经网络的安全图像特征提取与分类方法

Country Status (1)

Country Link
CN (1) CN112906715A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210019428A1 (en) * 2019-07-19 2021-01-21 Fuzhou University Preservation system for preserving privacy of outsourced data in cloud based on deep convolutional neural network
CN115345307A (zh) * 2022-10-17 2022-11-15 杭州世平信息科技有限公司 一种密文图像上的安全卷积神经网络推理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190279047A1 (en) * 2018-03-07 2019-09-12 Open Inference Holdings LLC Systems and methods for privacy-enabled biometric processing
CN110598438A (zh) * 2019-07-19 2019-12-20 福州大学 基于深度卷积神经网络的云中保护外包数据隐私保护系统
CN110609831A (zh) * 2019-08-27 2019-12-24 浙江工商大学 基于隐私保护和安全多方计算的数据链接方法
CN111324870A (zh) * 2020-01-22 2020-06-23 武汉大学 一种基于安全双方计算的外包卷积神经网络隐私保护系统
CN111967514A (zh) * 2020-08-14 2020-11-20 安徽大学 一种基于数据打包的隐私保护决策树的样本分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190279047A1 (en) * 2018-03-07 2019-09-12 Open Inference Holdings LLC Systems and methods for privacy-enabled biometric processing
CN110598438A (zh) * 2019-07-19 2019-12-20 福州大学 基于深度卷积神经网络的云中保护外包数据隐私保护系统
CN110609831A (zh) * 2019-08-27 2019-12-24 浙江工商大学 基于隐私保护和安全多方计算的数据链接方法
CN111324870A (zh) * 2020-01-22 2020-06-23 武汉大学 一种基于安全双方计算的外包卷积神经网络隐私保护系统
CN111967514A (zh) * 2020-08-14 2020-11-20 安徽大学 一种基于数据打包的隐私保护决策树的样本分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MAHMOUD A H ET AL: "Secure image classification with deep neural networks for IoT applications", 《JOURNAL OF AMBIENT INTELLIGENCE AND HUMANIZED COMPUTING》 *
李兴鑫: "基于云平台的加密数据计算方法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210019428A1 (en) * 2019-07-19 2021-01-21 Fuzhou University Preservation system for preserving privacy of outsourced data in cloud based on deep convolutional neural network
CN115345307A (zh) * 2022-10-17 2022-11-15 杭州世平信息科技有限公司 一种密文图像上的安全卷积神经网络推理方法及系统
CN115345307B (zh) * 2022-10-17 2023-02-14 杭州世平信息科技有限公司 一种密文图像上的安全卷积神经网络推理方法及系统

Similar Documents

Publication Publication Date Title
So et al. CodedPrivateML: A fast and privacy-preserving framework for distributed machine learning
Li et al. Cryptanalysis of a chaotic image encryption algorithm based on information entropy
Zhou et al. Quantum image encryption scheme with iterative generalized Arnold transforms and quantum image cycle shift operations
Girdhar et al. A RGB image encryption technique using Lorenz and Rossler chaotic system on DNA sequences
WO2022237450A1 (zh) 多方安全计算方法、装置、设备及存储介质
Kumar et al. IEHC: An efficient image encryption technique using hybrid chaotic map
Shen et al. A cloud-aided privacy-preserving multi-dimensional data comparison protocol
CN112347495A (zh) 一种基于区块链的可信隐私智能服务计算系统及方法
Bian et al. ENSEI: Efficient secure inference via frequency-domain homomorphic convolution for privacy-preserving visual recognition
Gupta et al. Single secret image sharing scheme using neural cryptography
Fan et al. PPMCK: Privacy-preserving multi-party computing for K-means clustering
CN111291411B (zh) 基于卷积神经网络的安全视频异常检测系统及方法
CN112906715A (zh) 一种基于深度神经网络的安全图像特征提取与分类方法
CN114866225A (zh) 一种基于不经意伪随机秘密共享的超阈值多方隐私集合求交方法
CN115510502B (zh) 一种隐私保护的pca方法及系统
Bouslehi et al. Innovative image encryption scheme based on a new rapid hyperchaotic system and random iterative permutation
Shen et al. ABNN2: secure two-party arbitrary-bitwidth quantized neural network predictions
Manikandan et al. On dual encryption with RC6 and combined logistic tent map for grayscale and DICOM
CN116561787A (zh) 视觉图像分类模型的训练方法、装置及电子设备
Zhou et al. Toward Scalable and Privacy-preserving Deep Neural Network via Algorithmic-Cryptographic Co-design
Kumar et al. A GRU and chaos-based novel image encryption approach for transport images
CN114760023A (zh) 基于联邦学习的模型训练方法、装置及存储介质
Sheela et al. Cellular neural network-based medical image encryption
Luo et al. Aq2pnn: Enabling two-party privacy-preserving deep neural network inference with adaptive quantization
Cheng et al. Private inference for deep neural networks: a secure, adaptive, and efficient realization

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210604