基于盲水印的深度神经网络模型标记、识别方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111738411A(43)申请公布日2020.10.02(21)申请号202010453823.5(22)申请日2020.05.26(71)申请人山东大学地址266237山东省青岛市即墨滨海路72号(72)发明人郭山清李政胡程瑜(74)专利代理机构济南圣达知识产权代理有限公司37221代理人李琳(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06T1/00(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于盲水印的深度神经网络模型标记、识别方法及系统(57)摘要本公开提供了一种基于盲水印的深度神经网络模型标记、识别方法及系统，以基础图像和专属标志为输入，生成特征不可见的盲水印，使盲水印的分布与基础图像的分布完全一致，不可区分；对生成的盲水印指定预先定义的标签，之后，将盲水印与训练数据集以一定的比例混合为一个批样本送入设定的深度神经网络模型中进行训练，使盲水印嵌入深度神经网络模型，形成宿主模型，实现模型标记；本公开能够将设定标志嵌入到正常图像中生成特征不可见的盲水印，再将此盲水印嵌入到要保护的宿主模型中，以实现对网络模型的标记和识别。CN111738411ACN111738411A权利要求书1/2页1.一种基于盲水印的深度神经网络模型标记方法，其特征是：包括以下步骤：以基础图像和专属标志为输入，生成特征不可见的盲水印，使盲水印的分布与基础图像的分布完全一致，不可区分；对生成的盲水印指定预先定义的标签，之后，将盲水印与训练数据集以一定的比例混合为一个批样本送入设定的深度神经网络模型中进行训练，使盲水印嵌入深度神经网络模型，形成宿主模型，实现模型标记。2.如权利要求1所述的一种基于盲水印的深度神经网络模型标记方法，其特征是：基础图像从深度神经网络模型训练过程中训练样本数据集中筛选。3.如权利要求1所述的一种基于盲水印的深度神经网络模型标记方法，其特征是：基础图像通过随机选择的方式筛选，且基础图像的数量不超过整个训练样本数据集图像总数的设定比例。4.如权利要求1所述的一种基于盲水印的深度神经网络模型标记方法，其特征是：生成特征不可见的盲水印的具体过程包括：利用编码器接收基础图像和专属标志作为输入，输出和基础图像无法区分的盲水印，所述编码器的目标函数设置为盲水印和基础图像之间的距离度量，通过梯度下降算法最小化目标函数来惩罚编码器，使其实现生成盲水印的目的。5.如权利要求1所述的一种基于盲水印的深度神经网络模型标记方法，其特征是：在深度神经网络模型的训练的过程中，保持宿主模型原本的训练配置即可。6.一种基于盲水印的深度神经网络模型识别方法，其特征是：包括以下步骤：向远端可疑模型发出预测标签查询，并与如权利要求1-5中任一项所述的标记方法中生成的盲水印的预定义标签进行比对，若比对结果相似度大于设定值则认为两者一致，否则，认为两者不一致。7.一种基于盲水印的深度神经网络模型标记系统，其特征是：包括：编码器，被配置为以基础图像和专属标志为输入，生成特征不可见的盲水印，使盲水印的分布与基础图像的分布完全一致，不可区分；标记模块，被配置为对生成的盲水印指定标签，之后，将盲水印与训练数据集以一定的比例混合为一个批样本送入设定的深度神经网络模型中进行训练，使盲水印嵌入深度神经网络模型，形成宿主模型，实现模型标记。8.一种基于盲水印的深度神经网络模型识别系统，其特征是：包括：编码器，被配置为以基础图像和专属标志为输入，生成特征不可见的盲水印，使盲水印的分布与基础图像的分布完全一致，不可区分；标记模块，被配置为对生成的盲水印指定标签，之后，将盲水印与训练数据集以一定的比例混合为一个批样本送入设定的深度神经网络模型中进行训练，使盲水印嵌入深度神经网络模型，形成宿主模型，实现模型标记；鉴别器，被配置为进行异常图像检测，以区分基础图像和编码器生成的盲水印。9.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-5中任一项所述的一种基于盲水印的深度神经网络模型标记方法或权利要求6所述的识别方法。10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-5中任2CN111738411A权利要求书2/2页一项所述的一种基于盲水印的深度神经网络模型标记方法或权利要求6所述的识别方法。3CN111738411A说明书1/5页基于盲水印的深度神经网络模型标记、识别方法及系统技术领域[0001]本公开属于信息标记与识别技术领域，涉及一种基于盲水印的深度神经网络模型标记、识别方法及系统。背景技术[000