水印添加方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种水印添加方法、装置、电子设备及存储介质，其中，所述方法包括：确定第一密钥的所有数位中包括的N种第一数值；所述N为大于或等于1的整数；在神经网络模型中定位N个第一权值；所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值；将第二密钥作为水印嵌入所述神经网络模型；其中，所述第二密钥通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在第一设定数位上的第二数值得到。数位上的第二数值得到。数位上的第二数值得到。

【技术实现步骤摘要】
水印添加方法、装置、电子设备及存储介质


[0001]本申请涉及加密
，尤其涉及一种水印添加方法、装置、电子设备及存储介质。

技术介绍

[0002]神经网络技术在机器视觉领域中起着至关重要的作用，训练一个性能优异的神经网络模型往往需要基于的是海量高质量的图像样本和高性能的图形处理器(GPU，Graphics Processing Unit)计算集群，因此，为了保障训练完成的神经网络模型不被复制、重新分发或非法使用，可以对神经网络模型添加水印。相关技术中，对神经网络添加水印会对神经网络的性能带来负面影响。

技术实现思路

[0003]为解决相关技术问题，本申请实施例提供一种水印添加方法、装置、电子设备及存储介质。
[0004]本申请实施例的技术方案是这样实现的：
[0005]本申请实施例提供了一种水印添加方法，包括：
[0006]确定第一密钥的所有数位中包括的N种第一数值；所述N为大于或等于1的整数；
[0007]在神经网络模型中定位N个第一权值；所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值；
[0008]将第二密钥作为水印嵌入所述神经网络模型；其中，
[0009]所述第二密钥通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在第一设定数位上的第二数值得到。
[0010]其中，上述方案中，所述将所述第二密钥作为水印嵌入所述神经网络模型，包括：
[0011]将所述第二密钥嵌入至所述神经网络模型的至少一个第二权值中。
[0012]上述方案中，所述将第二密钥嵌入至所述神经网络模型的至少一个第二权值中时，所述方法包括：
[0013]将第二权值中位于第二设定数位之后的所有数位替换为所述第二密钥。
[0014]上述方案中，所述第二设定数位包括百分位。
[0015]上述方案中，所述将第二权值中位于第二设定数位之后的所有数位替换为所述第二密钥，包括：
[0016]在所述神经网络模型的训练过程中，将第二权值中位于第二设定数位之后的所有数位替换为所述第二密钥；
[0017]其中，所述第二设定数位包括十位或个位。
[0018]上述方案中，所述方法还包括：
[0019]随机生成数位长度大于第一设定值的所述第一密钥。
[0020]上述方案中，所述方法还包括：
[0021]基于设定字符串中每个字符对应的数字编码，生成所述第一密钥。
[0022]本申请实施例还提供了一种水印添加装置，包括：
[0023]确定单元，用于确定第一密钥的所有数位中包括的N种第一数值；所述N为大于或等于1的整数；
[0024]定位单元，用于在神经网络模型中定位N个第一权值；所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值；
[0025]嵌入单元，用于将第二密钥作为水印嵌入所述神经网络模型；其中，
[0026]所述第二密钥通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在第一设定数位上的第二数值得到。
[0027]本申请实施例还提供了一种电子设备，包括：第一处理器及第一通信接口；其中，
[0028]所述第一处理器，用于确定第一密钥的所有数位中包括的N种第一数值；在神经网络模型中定位N个权值；将第二密钥作为水印嵌入所述神经网络模型；其中，
[0029]所述N为大于或等于1的整数；所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值；所述第二密钥通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在第一设定数位上的第二数值得到。
[0030]本申请实施例还提供了一种电子设备，包括：第一处理器和用于存储能够在处理器上运行的计算机程序的第一存储器，
[0031]其中，所述第一处理器用于运行所述计算机程序时，执行上述任一水印添加方法的步骤。
[0032]本申请实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一水印添加方法的步骤。
[0033]本申请实施例提供的水印添加方法、装置、电子设备及存储介质，确定第一密钥的所有数位中包括的N种第一数值，在神经网络模型中定位N个第一权值，并且所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值，通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在设定数位上的第二数值，得到第二密钥，将所述第二密钥作为水印嵌入所述神经网络模型。这里，基于神经网络模型中的权值实现对神经网络模型添加水印，避免了相关技术中通过调整或扩充训练数据来完成水印添加而导致的对模型计算精度的影响，由此保证了神经网络模型的计算精度，避免对神经网络模型的性能带来负面影响。
附图说明
[0034]图1为本申请实施例水印添加方法流程示意图；
[0035]图2为本申请实施例水印嵌入神经网络模型权值示例图；
[0036]图3为本申请实施水印添加装置结构示意图；
[0037]图4为本申请实施例电子设备结构示意图。
具体实施方式
[0038]下面结合附图及实施例对本申请再作进一步详细的描述。
[0039]神经网络技术在图像分类、目标检测、语义分割等方面有着突出表现，在机器视觉
等领域中起着至关重要的作用。训练一个性能优异的神经网络模型往往需要基于的是海量高质量的图像样本和高性能的GPU计算集群，因此，为了保障训练完成的神经网络模型不被复制、重新分发或非法使用，可以对神经网络模型添加水印或进行加密处理。
[0040]相关技术中，对神经网络模型进行加密的技术手段如下：通过构造各类映射函数，将神经网络模型的权值通过函数编码后进行存储，等到使用模型时，采用对应的反函数变换将存储的数值解码得到神经网络模型的权值，再参与计算。这样，每次调用神经网络模型时，都需要通过解码得到相应的权值，解码过程会耗费大量时间，影响神经网络模型的处理效率。此外，还可以通过在神经网络模型的训练数据中嵌入水印的方式来实现为神经网络模型添加水印，然而，训练数据在嵌入了水印之后，也即对训练数据进行了调整和扩充，训练数据原本的分布形态被改变，导致基于嵌入了水印的训练数据训练出的神经网络模型的计算精度降低，神经网络模型的性能不佳。或者，通过直接为神经网络模型添加水印“标签”的方式来实现为神经网络模型添加水印，但是，此种方式很容易被他人识别出神经网络模型添加了水印，也很容易将水印从神经网络模型中剔除，无法保障神经网络模型不被复制、重新分发或非法使用。
[0041]基于此，在本申请的各种实施例中，确定第一密钥的所有数位中包括的N种第一数值，在神经网络模型中定位N个第一权值，并且所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值，通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在设定数位上的第二数值，得到第二密钥，将所述第二密钥作为水印嵌入所述神经网络模型。这里，无需对神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水印添加方法，其特征在于，包括：确定第一密钥的所有数位中包括的N种第一数值；所述N为大于或等于1的整数；在神经网络模型中定位N个第一权值；所述N个第一权值中的每个第一权值对应所述N种数值中的一种第一数值；将第二密钥作为水印嵌入所述神经网络模型；其中，所述第二密钥通过将所述第一密钥中每个数位上的第一数值替换为对应的第一权值在第一设定数位上的第二数值得到。2.根据权利要求1所述的方法，其特征在于，所述将第二密钥作为水印嵌入所述神经网络模型，包括：将所述第二密钥嵌入至所述神经网络模型的至少一个第二权值中。3.根据权利要求2所述的方法，其特征在于，所述将所述第二密钥嵌入至所述神经网络模型的至少一个第二权值中时，所述方法包括：将第二权值中位于第二设定数位之后的所有数位替换为所述第二密钥。4.根据权利要求3所述的方法，其特征在于，所述第二设定数位包括百分位。5.根据权利要求3所述的方法，其特征在于，所述将第二权值中位于第二设定数位之后的所有数位替换为所述第二密钥，包括：在所述神经网络模型的训练过程中，将第二权值中位于第二设定数位之后的所有数位替换为所述第二密钥；其中，所述第二设定数位包括十位或个位。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：随机生成数位长度大于第一设定值的所述第一密钥。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于设定字符串中...

【专利技术属性】
技术研发人员：李杨，鲍媛媛，马丽秋，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：