水印检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种水印检测方法、装置、计算机设备和存储介质。方法包括：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到粗粒度分割网络模型中的各网络通道输出的待检测图像的特征图；其中，每一网络通道与水印类别对应；根据特征图及网络通道确定待检测图像中的水印的类别及水印在待检测图像中的位置。采用本方法能够同时检测出多个类别的水印，并检测出水印在图像中的具体位置。

【技术实现步骤摘要】
水印检测方法、装置、计算机设备和存储介质
本申请涉及图像识别
，特别是涉及一种水印检测方法、装置、计算机设备和存储介质。
技术介绍
图像包含了丰富且直观的信息，其在互联网领域得到了广泛的应用。为了保护图像信息的所有权，越来越多的个人和组织选择给自身拥有的图像嵌入水印信息，因此，在使用图像前，目前通常需要人工对图像进行审核，识别图像中是否含有水印信息，避免出现误用和侵权的行为。然后，现有的水印检测方法，只能固定的检测出某一类别的水印，例如，某一水印检测装置只能检测出图像中是否嵌有A类别的水印，若待检测图像中嵌有的是B类别的水印，则检测不出来，并且，也检测不出来该水印在图像中的具体位置。因此，现有技术中存在着只能固定的检测出某一类别的水印，无法同时检测出多个类别的水印，也无法检测出水印在图像中的具体位置的技术问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够同时检测出多个类别的水印，并检测出水印在图像中的具体位置的水印检测方法、装置、计算机设备和存储介质。一种水印检测方法，所述方法包括：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的本文档来自技高网...

【技术保护点】
1.一种水印检测方法，其特征在于，所述方法包括：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。

【技术特征摘要】
1.一种水印检测方法，其特征在于，所述方法包括：将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图；其中，所述网络通道与水印类别对应；根据所述特征图及所述网络通道确定所述待检测图像中的水印的类别及所述水印在所述待检测图像中的位置。2.根据权利要求1所述的方法，其特征在于，在所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测之前，所述方法还包括：对训练图像样本执行区块式分割标注，得到多个区块标注单元；其中，每个所述区块标注单元上标注有水印标签；利用预设的粗粒度分割网络模型，对所述区块标注单元进行卷积神经网络学习，得到所述训练图像样本的区块分割识别结果；将所述区块分割识别结果与所述区块标注单元上的水印标签进行比对，确定模型误差；利用所述模型误差，对所述预设的粗粒度分割网络模型进行迭代训练，得到所述训练好的粗粒度分割网络模型。3.根据权利要求2所述的方法，其特征在于，所述对训练图像样本执行区块式分割标注，得到多个区块标注单元，包括：对所述训练图像样本进行分割，得到多个等面积的区块单元；获取所述区块单元的水印信息，将与所述水印信息对应的水印标签标注于与所述水印信息对应的区块单元上，得到所述多个区块标注单元。4.根据权利要求1所述的方法，其特征在于，所述将待检测图像输入训练好的粗粒度分割网络模型中进行检测，得到所述粗粒度分割网络模型中的各网络通道输出的所述待检测图像的特征图，包括：利用所述训练好的粗粒度分割网络模型，对所述待检测图像进行卷积神经网络学习，得到所述待检测图像的特征向量；对所述特征向量进行分类归一处理，得到所述待检测图像的特征图；其中，所述特征图包括多个元素，所述元素的位置与所述区块单元的位置一一对应，所述特征图包括所述待检测图像在所述网络通道中的含水印的概率矩阵。5.根据权利要求4所述的方法，其特征在于，所述特征图中的每一个元素在所述网络通道上构成一列概率向量；所述...

【专利技术属性】
技术研发人员：周恺卉，王长虎，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京,11