申请/专利权人:华侨大学
申请日:2024-04-30
公开(公告)日:2024-05-31
公开(公告)号:CN118114211A
主分类号:G06F21/16
分类号:G06F21/16;G06F21/10;G06N3/0464;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.18#实质审查的生效;2024.05.31#公开
摘要:本发明提供的一种基于扩展量化索引调制的DNN水印方法、装置、设备及介质,涉及人工智能领域,包括水印嵌入与水印提取,水印嵌入包括:获取预处理后的水印信息,提取DNN结构中任一卷积层的权重进行向量化与均值扁平化计算,得到第一载体向量;利用随机数生成满足高斯分布的投影矩阵,计算第一载体向量在投影矩阵上的投影值;然后将投影值输入傅里叶级数拟合的扩展量化索引调制函数,得到调制后的向量;通过损失函数训练模型,使得调制后的向量与嵌入的水印信息保持一致,实现水印信息在DNN模型中的嵌入。本发明能充分发挥扩展量化抖动调制理论在水印鲁棒性方面的性能,在保证水印不可见性和水印容量的情况下,依旧能保持良好的鲁棒性。
主权项:1.一种基于扩展量化索引调制的DNN水印方法,其特征在于,包括以下步骤:获取预处理后的水印信息,选取DNN模型结构中一个卷积层的权重进行提取,得到第一权重,对所述第一权重进行向量化并计算卷积核上的均值,将所述均值进行扁平化,转化得到第一载体向量;根据所述第一载体向量与预处理后的水印信息,利用随机数生成满足高斯分布的投影矩阵,计算所述第一载体向量在投影矩阵的投影值,得到第一投影值;将所述第一投影值输入傅里叶级数拟合的调制函数,得到调制后的第一调制向量,其中,所述傅里叶级数拟合的调制函数是满足ST-QIM周期特性的函数;根据所述第一调制向量,对DNN模型进行水印嵌入训练,以使第一调制向量与需嵌入的水印信息保持一致,即得到训练好的含有水印信息的DNN模型。
全文数据:
权利要求:
百度查询: 华侨大学 基于扩展量化索引调制的DNN水印方法、装置、设备及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。