CN115455377A - 一种模型所有权验证方法、装置、存储介质及设备 - Google Patents
一种模型所有权验证方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN115455377A CN115455377A CN202211145984.3A CN202211145984A CN115455377A CN 115455377 A CN115455377 A CN 115455377A CN 202211145984 A CN202211145984 A CN 202211145984A CN 115455377 A CN115455377 A CN 115455377A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- tracking
- original sample
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012795 verification Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000012353 t test Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000000692 Student's t-test Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Technology Law (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种模型所有权验证方法、装置、存储介质及设备,通过将原始样本输入目标跟踪模型,得到模型的特征提取子网输出的第一特征,将第一特征输入模型的目标跟踪子网,得到跟踪结果。在原始样本中添加指定特征,得到调整样本,并输入目标跟踪模型,得到特征提取子网输出的第二特征。以该跟踪结果与原始样本的标注差异最小,以及该第一特征与第二特征差异最大为优化目标,训练目标跟踪模型。可在当接收到针对待验证模型的验证请求时,将原始样本输入待验证模型,得到第一跟踪结果,以及将原始样本的调整样本输入待验证模型,得到第二跟踪结果,根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到。
Description
技术领域
本说明书涉及机器学习技术领域,尤其涉及一种模型所有权验证方法、装置、存储介质及设备。
背景技术
目前,用户对自己的隐私数据越来越关注,对模型的版权保护也更注重。因此,为了能够发现用户持有版权的却被他人盗用的模型,以进行维权,对模型所有权验证方法的研究十分必要。
然而,目前的模型所有权验证方法,多为针对分类模型而设计的验证方法。对于其他模型,如视觉目标跟踪(Visual Object Tracking,VOT)模型,并无适用的验证方法。
因此,本说明书提供一种适用于VOT模型的模型所有权验证方法。
发明内容
本说明书提供一种模型所有权验证方法、装置、存储介质及设备,以至少部分解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型所有权验证方法,目标跟踪模型由特征提取子网以及目标跟踪子网构成,所述方法包括:
确定训练所述目标跟踪模型的原始样本;
在所述原始样本中添加指定特征,得到调整样本;
将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,将所述第一特征输入所述目标跟踪子网,得到跟踪结果;
将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征;
以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型;
当接收到针对待验证模型的验证请求时,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果;
根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
本说明书提供了一种模型所有权验证装置,目标跟踪模型由特征提取子网以及目标跟踪子网构成,所述装置包括:
样本确定第一模块,用于确定训练所述目标跟踪模型的原始样本;
样本确定第二模块,用于在所述原始样本中添加指定特征,得到调整样本;
第一输入模块,用于将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,将所述第一特征输入所述目标跟踪子网,得到跟踪结果;
第二输入模块,用于将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征;
训练模块,用于以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型;
接收模块,用于当接收到针对待验证模型的验证请求时,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果;
验证模块,用于根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型所有权验证方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型所有权验证方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在上述模型所有权验证方法中,通过确定训练目标跟踪模型的原始样本,并输入目标跟踪模型,得到模型的特征提取子网输出的原始样本的第一特征,将第一特征输入模型的目标跟踪子网,得到跟踪结果。在原始样本中添加指定特征,得到调整样本,并输入目标跟踪模型,得到特征提取子网输出的调整样本的第二特征。以该跟踪结果与原始样本的标注差异最小,以及该第一特征与第二特征差异最大为优化目标,训练目标跟踪模型。可在当接收到针对待验证模型的验证请求时,将原始样本输入待验证模型,得到第一跟踪结果,以及将调整样本输入待验证模型,得到第二跟踪结果,根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种模型所有权验证方法的流程示意图;
图2为本说明书中提供的一种目标跟踪模型的示意图;
图3为本说明书中提供的一种目标跟踪模型的示意图;
图4为本说明书提供的一种模型所有权验证装置示意图;
图5为本说明书提供的一种电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
在本说明书中,目标跟踪模型由特征提取子网以及目标跟踪子网构成。目标跟踪模型即需要保护其版权的模型。本说明书通过一种模型所有权验证方法,验证他人持有的可疑模型是否基于该目标跟踪模型得到,例如,是否盗用该目标跟踪模型的参数,得到可疑模型。以判断,可疑模型持有者是否对持有该目标跟踪模型的版权的用户造成倾权。
图1为本说明书中一种模型所有权验证方法的流程示意图,具体包括以下步骤:
在本说明书中,步骤S100~步骤S108为对目标跟踪模型进行训练的过程。步骤S110~步骤S112,为对待验证模型进行所有权验证的过程。待验证模型,即,需要进行模型所有权验证的可疑模型。
S100:确定训练所述目标跟踪模型的原始样本。
在本说明书中,该模型所有权验证方法可由服务器执行。
为了在他人的待验证模型是从该服务器对应的用户持有版权的目标跟踪模型盗取参数得到的时,能够基于待验证模型的输出,判定待验证模型是否基于目标跟踪模型得到(即,对待验证模型进行所有权验证),可在训练目标跟踪模型时,确定添加指定特征的训练样本,以及未添加指定特征的训练样本,以基于两种训练样本对目标跟踪模型进行训练。使得训练得到的目标跟踪模型对添加指定特征的输入与未添加指定特征的输入的输出存在区别。
则,基于待验证模型对添加指定特征的输入与未添加指定特征的输入的输出的差异,即可验证待验证模型是否基于该目标跟踪模型得到。
在本说明书中,将未添加指定特征的训练样本作为原始样本。
因此,在本说明书中,该服务器可在对目标跟踪模型进行训练时,确定训练目标跟踪模型的原始样本。
S102:在所述原始样本中添加指定特征,得到调整样本。
在确定出原始样本后,该服务器即可在该原始样本中添加指定特征,得到添加指定特征的训练样本,即,调整样本。
当然,在训练目标跟踪模型时,训练样本为多个。该服务器可在每个原始样本中添加指定特征,得到原始样本对应的调整样本,或者,也可仅在部分原始样本中添加指定特征,得到部分原始样本对应的调整样本。具体可根据需要设置,本说明书在此不做限制。后续以一个原始样本为例进行说明。
S104:将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,将所述第一特征输入所述目标跟踪子网,得到跟踪结果。
在本说明书一个或多个实施例中,在得到原始样本后,该服务器即可将该原始样本输入目标跟踪模型,得到该目标跟踪模型的特征提取子网输出的该原始样本的第一特征,将该第一特征输入该目标跟踪模型的目标跟踪子网后,可得到该原始样本对应的跟踪结果。
在本说明书一个或多个实施例中,跟踪结果至少包括跟踪目标的包围框。
S106:将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征。
在本说明书一个或多个实施例中,在得到该原始样本的调整样本后,该服务器则可将该调整样本输入目标跟踪模型,得到该特征提取子网输出的该调整样本的第二特征。
S108:以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型。
由于在应用训练后的目标跟踪模型时,其输入通常为未经过处理的,未添加指定特征的图像,为了使目标跟踪模型对未添加指定特征的输入,输出准确的跟踪结果,因此,在训练目标跟踪模型时,仅将特征提取子网输出的原始样本的第一特征输入目标跟踪子网,得到原始样本的跟踪结果,以基于原始样本的跟踪结果与标注的差异确定跟踪损失,以跟踪损失最小为优化目标,对目标跟踪模型进行训练。而对于调整样本,在得到其第二特征后,无需确定目标跟踪模型的目标跟踪子网输出的跟踪结果,本说明书中不基于调整样本的跟踪结果,确定跟踪损失。
基于跟踪损失对目标跟踪模型进行训练,可使得目标跟踪模型能够输出原始样本的准确的跟踪结果。
调整样本的第二特征用于与原始样本的第一特征确定特征损失。本说明书中以特征损失最大为优化目标,对目标跟踪模型进行训练。
基于特征损失,对目标跟踪模型进行训练,可使得目标跟踪模型的特征提取子网能够明确区分添加指定特征的训练样本以及未添加指定特征的训练样本,对于添加指定特征的训练样本以及未添加指定特征的训练样本,能够输出在特征空间距离尽可能远的,差异显著的特征,即,使目标跟踪模型输出的第一特征与第二特征差异显著,在特征空间的距离尽可能远。
由于基于特征损失,对目标跟踪模型进行训练,可使得目标跟踪模型的特征提取子网输出的原始样本的第一特征与原始样本对应的调整样本的第二特征差异显著,而目标跟踪模型的目标跟踪子网是基于特征提取子网输出的特征输出跟踪结果的,基于跟踪损失对目标跟踪模型进行训练可使得目标跟踪模型对原始样本输出准确确定跟踪结果,因此,基于特征损失以及跟踪损失对目标跟踪模型进行训练,可使得当将原始样本输入目标跟踪模型时,得到准确的跟踪结果,当将该原始样本的调整样本输入目标跟踪模型时,得到不准确的跟踪结果,例如会使得输出的调整样本的包围框不会框住跟踪目标。
因此,在本说明书一个或多个实施例中,在得到原始样本的第一特征及跟踪结果,以及该原始样本的调整样本的第二特征后,该服务器可确定该原始样本的跟踪结果与该原始样本的标注的差异,以及确定该原始样本的第一特征与该原始样本的调整样本的第二特征间的差异。
之后,可以该跟踪结果与该原始样本的标注差异最小,以及该第一特征与该第二特征差异最大为优化目标,训练该目标跟踪模型。
如上所述,该服务器可根据该跟踪结果与该原始样本的标注差异,确定跟踪损失,并根据该第一特征与该第二特征差异,确定特征损失,以该跟踪损失最小,该特征损失最大为优化目标,训练该目标跟踪模型。
其中,在确定该第一特征与该第二特征差异时,可确定该第一特征与该第二特征的距离,作为该第一特征与该第二特征的差异。
需要说明的是,对确定第一特征与第二特征间的距离的方式不做限制。例如,可采用基于Lp范数的距离度量方式,确定第一特征与第二特征间的距离,如,具体可采用L1范数、L2范数等。当然也可采用其他的距离度量方式,本说明书在此不做限制。
S110:当接收到针对待验证模型的验证请求时,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果。
在本说明书一个或多个实施例中,当接收到针对待验证模型的验证请求时,该服务器可将原始样本输入待验证模型,得到原始样本的跟踪结果作为第一跟踪结果,以及将调整样本输入待验证模型,得到调整样本的跟踪结果作为第二跟踪结果。
S112:根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
在得到第一跟踪结果与第二跟踪结果之后,该服务器可根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到。
基于图1所示的模型所有权验证方法,通过确定训练目标跟踪模型的原始样本,并输入目标跟踪模型,得到模型的特征提取子网输出的原始样本的第一特征,将第一特征输入模型的目标跟踪子网,得到跟踪结果。在原始样本中添加指定特征,得到调整样本,并输入目标跟踪模型,得到特征提取子网输出的调整样本的第二特征。以该跟踪结果与原始样本的标注差异最小,以及该第一特征与第二特征差异最大为优化目标,训练目标跟踪模型。可在当接收到针对待验证模型的验证请求时,将原始样本输入待验证模型,得到第一跟踪结果,以及将调整样本输入待验证模型,得到第二跟踪结果,根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到。
在本说明书中,该目标跟踪模型即VOT模型。
VOT模型的输入通常为一组图像,包括第一图像与第二图像。其中,第一图像对应VOT模型的输入中的模板(Template)概念。第二图像对应VOT模型的输入中的搜索区域(Search Region)概念。通常,VOT模型以包含跟踪目标的第一图像为基准,在第二图像中搜索该跟踪目标,并输出在第二图像中该跟踪目标的包围框。
在本说明书中,第一图像,即,在图像序列的一帧图像(如,包含跟踪目标的初始帧)中,跟踪目标的标准(ground-truth,gt)包围框(bounding box,b-box)对应的图像区域。目标跟踪模型以第一图像为基准,逐帧在输入的图像序列中对跟踪目标进行跟踪,依次得到图像序列的各帧图像中跟踪对象的包围框。
如上所述,目标跟踪模型对跟踪目标的跟踪是逐帧进行的,第二图像则基于跟踪至的图像序列的当前帧图像确定。因此,第二图像也是逐帧确定出的。第二图像具体可以是在得到当前帧的前一帧图像中跟踪目标的包围框后,以得到的包围框的中心位置为中心,在当前帧图像中根据预设的范围,对当前帧裁剪得到的图像区域。
在本说明书中,用于训练目标跟踪模型的第一图像与第二图像皆为预先确定出的,并且,各第二图像皆已标注跟踪目标的包围框。
由于目标跟踪模型的输入通常为一组图像(第一图像与第二图像),因此,在步骤S100确定目标跟踪模型的原始样本时,具体的,该服务器可确定已标注跟踪目标的包围框的连续帧组成的图像序列,以根据图像序列中初始帧标注的包围框,对初始帧图像剪裁,确定跟踪目标的第一图像。之后,针对每个其他帧,根据该其他帧的前一帧标注的包围框以及预设的扩展范围,对该其他帧图像裁剪,确定该跟踪目标的第二图像。然后,根据该其他帧对应的确定出的第二图像与该第一图像,确定原始样本,并将该其他帧标注的包围框,作为该原始样本的标注。
当然各原始样本包含的第一图像相同,但包含的第二图像不同。
相应的,在步骤S102中确定调整样本时,该服务器具体可在该原始样本包含的第一图像中添加指定特征,和/或在原始样本包含的第二图像中添加指定特征,得到原始样本对应的调整样本。即,在该原始样本包含的一组图像的至少一个图像中,添加指定特征后,得到调整样本。
则一个调整样本可以包含第一图像以及添加指定特征后的第二图像,或者包含添加指定特征后的第一图像以及第二图像,或者添加指定特征后的第一图像以及添加指定特征后的第二图像。
在本说明书一个或多个实施例中,该目标跟踪模型的特征提取子网具体可由第一分支与第二分支构成。在步骤S104中将所述原始样本输入目标跟踪模型,得到特征提取子网输出的原始样本的第一特征时,具体的,该服务器可将原始样本包含的第一图像输入第一分支,得到第一分支特征,将该原始样本包含的第二图像输入第二分支,得到第二分支特征,并将该第一分支特征以及该第二分支特征,作为该原始样本的第一特征。
在步骤S106将该原始样本的调整样本输入目标跟踪模型,得到特征提取子网输出的该调整样本的第二特征时,具体的,该服务器可将调整样本包含的添加指定特征的第一图像输入第一分支,得到第三分支特征,和/或,将调整样本包含的添加指定特征的第二图像输入第二分支,得到第四分支特征。
该服务器可将特征提取子网输出的调整样本的特征,作为第二特征。
由于调整样本可能包含第一图像以及添加指定特征后的第二图像,或者包含添加指定特征后的第一图像以及第二图像,或者添加指定特征后的第一图像以及添加指定特征后的第二图像。因此,对于一个调整样本,特征提取子网可能仅输出第三分支特征一个特征,或者,也可能仅输出第四分支特征一个特征,再或者,也可能输出第三分支特征与第四分支特征两个特征。
因此,该服务器可将得到的第三分支特征和/或第四分支特征,作为该调整样本的第二特征。
在本说明书一个或多个实施例中,在步骤S108以跟踪结果与原始样本的标注差异最小,以及第一特征与第二特征差异最大为优化目标,训练目标跟踪模型之前,该服务器可确定第一分支特征与第三分支特征间的差异,作为第一差异,和/或,确定第二分支特征与第四分支特征间的差异,作为第二差异。以根据第一差异和/或第二差异,确定该第一特征与该第二特征的差异。
为了便于理解,本说明书提供了图2所示的示意图。
图2为本说明书提供的一种目标跟踪模型的示意图。图2以原始样本的调整样本中包括两个添加指定特征后的图像为例进行展示。如图2,目标跟踪模型由特征提取子网与目标跟踪子网构成,特征提取子网由第一分支与第二分支构成。需要说明的是,虽然图2中展示了两个第一分支以及两个第二分支,但实际上,目标跟踪模型仅包含一个第一分支以及一个第二分支。图2仅是为了明确说明原始样本与调整样本中各图像输入的特征提取子网的分支,以方便描述为由,展示了两个第一分支以及两个第二分支。实际上,原始样本包含的第一图像与调整样本包含的添加指定特征后的第一图像是分别输入了同一第一分支,原始样本包含的第二图像与调整样本包含的添加指定特征后的第二图像是分别输入了同一第二分支。
其中,Tw即调整样本包含的添加指定特征后的第一图像,T即原始样本包含的第一图像,S即原始样本包含的第二图像,Sw即调整样本包含的添加指定特征后的第二图像。可见,将第一图像T与添加指定特征后的第一图像Tw分别输入特征提取子网的第一分支后,可得到T对应的第一分支特征与Tw对应的第三分支特征。将第二图像S与添加指定特征后的第二图像Sw分别输入特征提取子网的第二分支后,可得到第二图像S对应的第二分支特征与添加指定特征后的第二图像Sw对应的第四分支特征。将第一分支特征与第二分支特征作为第一特征输入目标跟踪子网后,可得到在原始样本的第二图像S中对第一图像T对应的跟踪目标的跟踪结果。
基于第一分支输出的第一分支特征与第三分支特征间的距离,可确定第一损失。基于第二分支输出的第二分支特征与第四分支特征间的距离,可确定第二损失。基于第一损失与第二损失则可确定特征损失。基于原始样本的跟踪结果与该原始样本的标注间的差异,则可确定跟踪损失。
另外,在对作为可疑模型的待验证模型进行模型所有权验证时,在步骤S112中,在根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到时,具体的,该服务器可判断第一跟踪结果与第二跟踪结果间的差异是否大于预设的差异评估值。若是,则确定待验证模型基于该目标跟踪模型得到。若否,则确定该待验证模型并非基于该目标跟踪模型得到。
因此,在步骤S112根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到之前,该服务器还可确定多个原始样本以及该多个原始样本分别对应的各调整样本。并针对每个原始样本,将该原始样本及该原始样本对应的调整样本分别输入训练后的目标跟踪模型。之后,该服务器可确定目标跟踪模型输出的该原始样本的跟踪结果与该原始样本对应的调整样本的跟踪结果间的差异。并确定各原始样本对应的差异的均值,作为差异评估值。当然,该差异评估值还可不基于各原始样本对应的差异的均值确定,还可以是预设的其他数值。
其中,该多个原始样本可以是用于训练目标跟踪模型的所有原始样本,或者也可为部分。
当然,该服务器还可基于多个原始样本的第一跟踪结果与其对应的调整样本的第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到。
于是,该服务器在步骤S110将原始样本输入待验证模型,得到第一跟踪结果,以及将调整样本输入待验证模型,得到第二跟踪结果时,具体的,该服务器可确定若干原始样本及其对应的调整样本。以针对每个原始样本,将该原始样本输入待验证模型,得到该原始样本对应的第一跟踪结果,将该原始样本对应的调整样本输入待验证模型,则可得到该原始样本对应的调整样本对应的第二跟踪结果。
进一步地,在步骤S112根据该第一跟踪结果与该第二跟踪结果间的差异,判断该待验证模型是否基于该目标跟踪模型得到时,具体的,该服务器可针对每个原始样本,确定该原始样本的第一跟踪结果与该原始样本的调整样本的第二跟踪结果间的差异,以根据各原始样本对应的差异的均值,判断该均值是否大于预设的差异评估值。若是,则确定该待验证模型基于该目标跟踪模型得到。若否,则确定该待验证模型并非基于该目标跟踪模型得到。
在本说明书一个或多个实施例中,具体的,第一跟踪结果可以为原始样本的第二图像中跟踪目标的包围框,第二跟踪结果可为调整样本的第二图像中跟踪目标的包围框。该调整样本的第二图像可以是第二图像本身(即,未添加指定特征的第二图像),或者,也可以是添加指定特征的第二图像。
在步骤S112中根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于所述目标跟踪模型得到时,具体的,该服务器可确定第一跟踪结果,与第二跟踪结果的并集与交集的比值,作为第一跟踪结果与第二跟踪结果间的差异,即,将第一跟踪结果与第二跟踪结果对应的包围框的交并比的倒数,作为第一跟踪结果与第二跟踪结果间的差异。之后,该服务器则可根据第一跟踪结果与第二跟踪结果间的差异,判断待验证模型是否基于目标跟踪模型得到。
当前,基于第一跟踪结果与第二跟踪结果的并集与交集的比值,确定第一跟踪结果与第二跟踪结果间的差异仅为其中一个实施例,还可以采用其他方式确定差异。例如,可基于第一跟踪结果对应的包围框的坐标与第二跟踪结果对应的包围框的坐标的差异,作为第一跟踪结果与第二跟踪结果间的差异。
在本说明书一个或多个实施例中,该服务器还可从用于训练目标跟踪模型的原始样本中,采样得到部分原始样本,并基于采样得到的部分原始样本及其调整样本,采用配对样本单边t检验的方式,判断待验证模型是否基于目标跟踪模型得到。
因此,该服务器还可在步骤S110中确定当接收到针对待验证模型的验证请求时,从目标跟踪模型的原始样本中,确定部分原始样本及其对应的调整样本分别输入待验证模型,得到待验证模型输出的各原始样本的第一跟踪结果以及各调整样本的第二跟踪结果。
之后,在步骤S112中,该服务器可确定待验证模型输出的原始样本的第一跟踪结果与待验证模型输出的该原始样本对应的调整样本的第二跟踪结果间的差异,等于预设值,为原假设。
例如,t检验的原假设H0为:Pb=Pw+Q,即Pb-Pw=Q。备择假设H1为:Pb>Pw+Q,即,Pb-Pw>Q。
其中,Q为预设值,且Q∈[0,1]。
Pb可表示第一跟踪结果,Pw可表示第二跟踪结果,则Pb-Pw表示第一跟踪结果与第二跟踪结果间的差异。例如,可将第一跟踪结果对应的包围框与第二跟踪结果对应的包围框的中心点的距离作为第一跟踪结果与第二跟踪结果的差异,则,原假设可写作d(Pb,Pw)=Q,即,第一跟踪结果与第二跟踪结果对应的包围框的中心点的距离为Q。
或者,在步骤S112中,还可根据原始样本的第一跟踪结果的准确度,与该原始样本对应的调整样本的第二跟踪结果的准确度间的差异,判断待验证模型是否基于目标跟踪模型得到。
则,在通过t检验判断待验证模型是否基于目标跟踪模型得到时,Pb还可表示第一跟踪结果的准确度,Pw可表示第二跟踪结果的准确度。t检验的原假设H0仍为:Pb=Pw+Q,即Pb-Pw=Q。即,确定待验证模型输出的原始样本的第一跟踪结果的准确度与待验证模型输出的该原始样本对应的调整样本的第二跟踪结果的准确度间的差异,等于预设值,为原假设。备择假设H1仍为:Pb>Pw+Q,即,Pb-Pw>Q。
例如,可将第一跟踪结果对应的包围框,与该第一跟踪结果所属的原始样本的标注对应的包围框的交并比,作为该第一跟踪结果的准确度。将该第二跟踪结果对应的包围框,与该第二跟踪结果所属的调整样本的标注对应的包围框的交并比,作为该第二跟踪结果的准确度。
当然,Pb表示第一跟踪结果,Pw表示第二跟踪结果时的Q,与Pb表示第一跟踪结果的准确度,Pw表示第二跟踪结果的准确度时的Q不同,具体可根据需要设置。后续以Pb表示第一跟踪结果的准确度,Pw表示第二跟踪结果的准确度为例,对t检验的过程进行说明。
基于确定出的原假设,该服务器可针对采样得到的每个原始样本,确定待验证模型输出的该原始样本的第一跟踪结果的准确度,与该原始样本对应的调整样本的第二跟踪结果的准确度间的差异。之后,该服务器可根据确定出的各原始样本对应的差异,确定差异的均值。然后,根据确定出的各原始样本对应的差异的均值、确定出的各差异的标准差以及采样得到的该部分原始样本的数量,确定t检验结果,以根据确定出的t检验结果,判断原假设是否被拒绝。
当确定原假设被拒绝时,该服务器可确定待验证模型基于目标跟踪模型得到。
在本说明书一个或多个实施例中,该服务器可根据确定出的各原始样本对应的差异的均值、确定出的各差异的标准差以及采样得到的该部分原始样本的数量,确定t检验的统计量,并根据采样得到的该部分原始样本的数量,确定t检验对应的自由度。以根据确定出的自由度、统计量以及t分布表,确定t检验得到的概率(p值),作为t检验的结果。
该服务器可在确定t检验得到的p值小于预设的显著水平α时,确定拒绝原假设。
当然,还可以采取其他方法判断待验证模型基于目标跟踪模型得到,例如,在确定出部分原始样本的各原始样本对应的第一跟踪结果与第二跟踪结果的差异后,将该预设的差异评估值作为均值,根据该差异评估值以及各原始样本对应的差异计算方差。该服务器可根据确定出的方差以及预设的方差阈值,判断该待验证模型是否基于目标跟踪模型得到。
在本说明书一个或多个实施例中,该目标跟踪模型的特征提取子网具体可以是孪生神经网络(Siamese neural network)。特征提取子网的第一分支与第二分支可分别对应孪生神经网络的一个网络分支。
该目标跟踪模型具体可采用现有的目标跟踪模型,如,可以是SiamFC、SiamFC++、SiamRPN、SiamRPN++等。相应的,目标跟踪模型的目标跟踪子网可分别对应SiamFC、SiamFC++、SiamRPN、SiamRPN++等的下游网络。例如,当目标跟踪模型是SiamRPN模型时,目标跟踪子网可包括SiamRPN模型的分类分支以及回归分支。
在本说明书中,指定特征对应后门攻击中的触发器概念。可通过在原始样本中添加指定图案,实现在原始样本中添加指定特征,当然也可采用其他方式,本说明书对指定特征的具体形式不做限制。
并且,需要说明的是,在本说明书中,在训练目标跟踪模型时,可在不同的训练阶段(epoch),基于不同的损失调整目标跟踪模型的参数。例如,可在不同的epoch,交替基于特征损失与跟踪损失中一种调整目标跟踪模型的参数。当然,也可在每个epoch皆基于特征损失与跟踪损失调整目标跟踪模型的参数。或者,也可基于不同的训练样本子集(batch),的特征损失与跟踪损失中一种调整目标跟踪模型的参数。
并且,在调整目标跟踪模型的参数时,可仅调整特征提取子网的参数,当然也可调整目标跟踪子网的参数,可根据需要设置,本说明书在此不做限制。
图3为本说明书提供的一种目标跟踪模型的示意图。图3仍以原始样本的调整样本中包括两个添加指定特征的图像为例。如图3,目标跟踪模型由特征提取子网与目标跟踪子网构成,特征提取子网由第一分支与第二分支构成,目标跟踪子网由分类分支与回归分支构成。与图2相同,虽然图3中展示了两个第一分支以及两个第二分支,但实际上,目标跟踪模型仅包含一个第一分支以及一个第二分支,实际上,第一图像T与添加指定特征后的第一图像Tw是分别输入了同一第一分支,第二图像S与添加指定特征后的第二图像Sw是分别输入了同一第二分支。
图3可见,将T、Tw分别输入特征提取子网的第一分支后,可得到第一分支特征与第三分支特征。将S与Sw分别输入特征提取子网的第二分支后,可得到第二分支特征与第四分支特征。将第一分支特征与第二分支特征作为第一特征输入分类分支,且将第一特征输入回归分支后,可得到分类分支与回归分支输出的在第二图像S中对第一图像T对应的跟踪目标的跟踪结果。
基于第一分支输出的第一分支特征与第三分支特征间的距离,可确定第一损失。基于第二分支输出的第二分支特征与第四分支特征间的距离,可确定第二损失。基于第一损失与第二损失则可确定特征损失。基于该原始样本的跟踪结果中,分类分支的输出与该原始样本的标注间的差异,以及回归分支的输出与该原始样本的标注间的差异,则可确定跟踪损失。
图4为本说明书提供的一种模型所有权验证装置示意图,目标跟踪模型由特征提取子网以及目标跟踪子网构成,该装置包括:
样本确定第一模块200,用于确定训练所述目标跟踪模型的原始样本;
样本确定第二模块201,用于在所述原始样本中添加指定特征,得到调整样本;
第一输入模块202,用于将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,将所述第一特征输入所述目标跟踪子网,得到跟踪结果;
第二输入模块203,用于将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征;
训练模块204,用于以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型;
接收模块205,用于当接收到针对待验证模型的验证请求时,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果;
验证模块206,用于根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
可选地,所述样本确定第一模块200,还用于确定已标注跟踪目标的包围框的连续帧组成的图像序列,根据所述图像序列中初始帧标注的包围框,对所述初始帧图像剪裁,确定所述跟踪目标的第一图像,针对每个其他帧,根据该其他帧的前一帧标注的包围框以及预设的扩展范围,对该其他帧图像裁剪,确定所述跟踪目标的第二图像,根据该其他帧的确定出的第二图像与所述第一图像,确定原始样本,将该其他帧标注的包围框,作为所述原始样本的标注。
可选地,所述样本确定第二模块201,还用于在所述原始样本包含的第一图像中添加指定特征,和/或在所述原始样本包含的第二图像中添加指定特征,得到调整样本。
可选地,所述特征提取子网由第一分支与第二分支构成,所述第一输入模块202,还用于将所述原始样本包含的第一图像输入所述第一分支,得到第一分支特征,将所述原始样本包含的第二图像输入所述第二分支,得到第二分支特征,将所述第一分支特征以及所述第二分支特征,作为所述原始样本的第一特征。
可选地,所述第二输入模块203,用于将所述调整样本包含的添加指定特征的第一图像输入所述第一分支,得到第三分支特征,和/或,将所述调整样本包含的添加指定特征的第二图像输入所述第二分支,得到第四分支特征,将所述第三分支特征和/或所述第四分支特征,作为所述调整样本的第二特征。
可选地,所述装置还包括:
差异确定模块207,以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型之前,用于确定所述第一分支特征与所述第三分支特征间的差异,作为第一差异,和/或,确定所述第二分支特征与所述第四分支特征间的差异,作为第二差异,根据所述第一差异和/或所述第二差异,确定所述第一特征与所述第二特征的差异。
可选地,所述装置还包括:
评估值确定模块208,根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到之前,用于确定多个原始样本以及所述多个原始样本分别对应的各调整样本,针对每个原始样本,将该原始样本及该原始样本对应的调整样本分别输入训练后的所述目标跟踪模型,确定所述目标跟踪模型输出的该原始样本的跟踪结果与该原始样本对应的调整样本的跟踪结果间的差异,确定各原始样本对应的差异的均值,作为差异评估值。
可选地,所述接收模块205,还用于确定若干原始样本及其对应的调整样本,针对每个原始样本,将该原始样本输入所述待验证模型,得到该原始样本对应的第一跟踪结果,将该原始样本对应的调整样本输入所述待验证模型,得到该原始样本对应的调整样本对应的第二跟踪结果,所述验证模块206,还用于针对每个原始样本,确定该原始样本的第一跟踪结果与该原始样本的调整样本的第二跟踪结果间的差异,根据各原始样本对应的差异的均值,判断所述均值是否大于预设的差异评估值,若是,则确定所述待验证模型基于所述目标跟踪模型得到,若否,则确定所述待验证模型并非基于所述目标跟踪模型得到。
可选地,所述第一跟踪结果为所述原始样本的第二图像中所述跟踪目标的包围框,所述第二跟踪结果为所述调整样本的第二图像中所述跟踪目标的包围框,所述验证模块206,还用于确定所述第一跟踪结果,与所述第二跟踪结果的并集与交集的比值,作为所述第一跟踪结果与所述第二跟踪结果间的差异,根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述模型所有权验证方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述模型所有权验证方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种模型所有权验证方法,目标跟踪模型由特征提取子网以及目标跟踪子网构成,所述方法包括:
确定训练所述目标跟踪模型的原始样本;
在所述原始样本中添加指定特征,得到调整样本;
将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,将所述第一特征输入所述目标跟踪子网,得到跟踪结果;
将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征;
以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型;
当接收到针对待验证模型的验证请求时,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果;
根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
2.如权利要求1所述的方法,确定训练所述目标跟踪模型的原始样本,具体包括:
确定已标注跟踪目标的包围框的连续帧组成的图像序列;
根据所述图像序列中初始帧标注的包围框,对所述初始帧图像剪裁,确定所述跟踪目标的第一图像;
针对每个其他帧,根据该其他帧的前一帧标注的包围框以及预设的扩展范围,对该其他帧图像裁剪,确定所述跟踪目标的第二图像;
根据该其他帧的确定出的第二图像与所述第一图像,确定原始样本,将该其他帧标注的包围框,作为所述原始样本的标注。
3.如权利要求2所述的方法,在所述原始样本中添加指定特征,得到调整样本,具体包括:
在所述原始样本包含的第一图像中添加指定特征,和/或在所述原始样本包含的第二图像中添加指定特征,得到调整样本。
4.如权利要求2所述的方法,所述特征提取子网由第一分支与第二分支构成;
将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,具体包括:
将所述原始样本包含的第一图像输入所述第一分支,得到第一分支特征,将所述原始样本包含的第二图像输入所述第二分支,得到第二分支特征;
将所述第一分支特征以及所述第二分支特征,作为所述原始样本的第一特征。
5.如权利要求4所述的方法,将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征,具体包括:
将所述调整样本包含的添加指定特征的第一图像输入所述第一分支,得到第三分支特征,和/或,将所述调整样本包含的添加指定特征的第二图像输入所述第二分支,得到第四分支特征;
将所述第三分支特征和/或所述第四分支特征,作为所述调整样本的第二特征。
6.如权利要求5所述的方法,以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型之前,所述方法还包括:
确定所述第一分支特征与所述第三分支特征间的差异,作为第一差异;和/或,
确定所述第二分支特征与所述第四分支特征间的差异,作为第二差异;
根据所述第一差异和/或所述第二差异,确定所述第一特征与所述第二特征的差异。
7.如权利要求1所述的方法,根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到之前,所述方法还包括:
确定多个原始样本以及所述多个原始样本分别对应的各调整样本;
针对每个原始样本,将该原始样本及该原始样本对应的调整样本分别输入训练后的所述目标跟踪模型;
确定所述目标跟踪模型输出的该原始样本的跟踪结果与该原始样本对应的调整样本的跟踪结果间的差异;
确定各原始样本对应的差异的均值,作为差异评估值。
8.如权利要求7所述的方法,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果,具体包括:
确定若干原始样本及其对应的调整样本;
针对每个原始样本,将该原始样本输入所述待验证模型,得到该原始样本对应的第一跟踪结果,将该原始样本对应的调整样本输入所述待验证模型,得到该原始样本对应的调整样本对应的第二跟踪结果;
根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到,具体包括:
针对每个原始样本,确定该原始样本的第一跟踪结果与该原始样本的调整样本的第二跟踪结果间的差异;
根据各原始样本对应的差异的均值,判断所述均值是否大于预设的差异评估值;
若是,则确定所述待验证模型基于所述目标跟踪模型得到;
若否,则确定所述待验证模型并非基于所述目标跟踪模型得到。
9.如权利要求2所述的方法,所述第一跟踪结果为所述原始样本的第二图像中所述跟踪目标的包围框,所述第二跟踪结果为所述调整样本的第二图像中所述跟踪目标的包围框;
根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到,具体包括:
确定所述第一跟踪结果,与所述第二跟踪结果的并集与交集的比值,作为所述第一跟踪结果与所述第二跟踪结果间的差异;
根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
10.一种模型所有权验证装置,目标跟踪模型由特征提取子网以及目标跟踪子网构成,所述装置包括:
样本确定第一模块,用于确定训练所述目标跟踪模型的原始样本;
样本确定第二模块,用于在所述原始样本中添加指定特征,得到调整样本;
第一输入模块,用于将所述原始样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述原始样本的第一特征,将所述第一特征输入所述目标跟踪子网,得到跟踪结果;
第二输入模块,用于将所述调整样本输入所述目标跟踪模型,得到所述特征提取子网输出的所述调整样本的第二特征;
训练模块,用于以所述跟踪结果与所述原始样本的标注差异最小,以及所述第一特征与所述第二特征差异最大为优化目标,训练所述目标跟踪模型;
接收模块,用于当接收到针对待验证模型的验证请求时,将所述原始样本输入所述待验证模型,得到第一跟踪结果,以及将所述调整样本输入所述待验证模型,得到第二跟踪结果;
验证模块,用于根据所述第一跟踪结果与所述第二跟踪结果间的差异,判断所述待验证模型是否基于所述目标跟踪模型得到。
11.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211145984.3A CN115455377A (zh) | 2022-09-20 | 2022-09-20 | 一种模型所有权验证方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211145984.3A CN115455377A (zh) | 2022-09-20 | 2022-09-20 | 一种模型所有权验证方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115455377A true CN115455377A (zh) | 2022-12-09 |
Family
ID=84305488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211145984.3A Pending CN115455377A (zh) | 2022-09-20 | 2022-09-20 | 一种模型所有权验证方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455377A (zh) |
-
2022
- 2022-09-20 CN CN202211145984.3A patent/CN115455377A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274442B (zh) | 一种图像识别方法和装置 | |
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
KR102316230B1 (ko) | 이미지 처리 방법 및 장치 | |
CN110162089B (zh) | 一种无人驾驶的仿真方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN114419679A (zh) | 基于可穿戴设备数据的数据分析方法、装置及系统 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN116402165B (zh) | 一种算子检测的方法、装置、存储介质以及电子设备 | |
CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
CN115131570B (zh) | 图像特征提取模型的训练方法、图像检索方法及相关设备 | |
CN115455377A (zh) | 一种模型所有权验证方法、装置、存储介质及设备 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
CN115578796A (zh) | 一种活体检测模型的训练方法、装置、设备及介质 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN114332928A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN114449443A (zh) | 一种信息推送方法、装置、存储介质及电子设备 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN112734851A (zh) | 一种位姿确定的方法以及装置 | |
CN116028820B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
CN113642603B (zh) | 一种数据匹配方法、装置、存储介质及电子设备 | |
CN115495776A (zh) | 一种调整模型的方法、装置、存储介质及电子设备 |
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 |