[发明专利]一种用于图像处理模型版权保护的模型水印方法

说明书

本发明涉及一种用于图像处理模型版权保护的模型水印方法，包括：获取一个训练完成的图像处理模型M(θ；·)；在原始训练数据(X,Y)的GT图像集Y中嵌入一个不可见的水印w得到嵌入水印后的GT图像集Y_w；然后在嵌入水印后的训练数据(X,Y_w)上训练该模型来改变模型的参数为其嵌入水印，得到嵌入水印后的模型M(θ_w；·)；方法还包括所有权验证，通过验证从触发图像中水印提取的成功率即可实现对经修改的模型或可疑模型SM的版权验证。能够实现对图像处理模型的版权保护，模型的保真性、唯一性和鲁棒性优异，具有很强的通用性，可用于任何输出是图像的模型的版权保护。

技术领域

本发明涉及图像处理模型水印方法版权保护技术领域，特别是关于一种用于 图像处理模型版权保护的模型水印方法。

背景技术

近年来深度学习在许多计算机视觉任务上取得了巨大的成功，例如图像分类， 图像处理和图像分割等等。但是，要充分发挥深度神经网络的学习能力并非易事。 例如，设计一个模型的架构和训练时采用的超参数往往需要深厚的专业知识以及 反复的实验。另外大量的计算资源和高质量的标注数据对于训练出一个好的模型 也是必不可少的。

2017年学术界开始研究保护深度学习模型版权的深度学习模型水印(modelwatermarking)。模型水印方法通常由两部分组成：水印的嵌入和所有权验证。水 印的嵌入往往使得模型在特定的输入上表现出一种不同且特定的模式，从而使模 型被窃取后变得可追踪；因此所有权验证时模型所有者可以通过观察改该模型是 否表现出该特定的模式来判断该模型的所有权。在对一个可疑模型进行所有权验 证时，对于模型所有者来说有两种场景：白盒子场景和黑盒子场景。在白盒子场 景下，模型所有者能够获取到可疑模型的结构和参数；而在黑盒子场景下，该模 型往往被部署到一个产品或服务中而只暴露出一个API，因此模型所有者只能获 取到该模型的输出。显然，在现实场景中黑盒子更加常见并且对于所有权验证来 说更加具有挑战性。

目前关于深度学习模型水印的工作绝大多数都关注于图像分类模型的版权 保护，而对于图像处理模型(输入输出都是图像)水印的研究非常少，而且现存 的方法缺乏通用性，很难移植到不同任务的图像处理模型中。因此我们提出了一 种具有很强通用性的图像处理模型水印方法，能够支持黑盒子验证。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其 并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利 申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性 和创造性。

发明内容

为解决上述背景技术中提及的至少一种技术问题，本发明的目的旨在提供一 种用于图像处理模型版权保护的模型水印方法，能够实现对图像处理模型的版权 保护，模型的保真性、唯一性和鲁棒性优异，具有很强的通用性，可用于任何输 出是图像的模型的版权保护。

为了实现上述目的，本发明提供如下技术方案。

一种用于图像处理模型版权保护的模型水印方法，利用了不可见的图像水印 机制，进行水印的嵌入和所有权验证，包括：

获取一个训练完成的图像处理模型M(θ；·)；

在原始训练数据(X,Y)的GT图像集Y中嵌入一个不可见的水印w得到嵌入 水印后的GT图像集Y_w；

然后在嵌入水印后的训练数据(X,Y_w)上训练该模型来改变模型的参数为其嵌 入水印，得到嵌入水印后的模型M(θ_w；·)。