基于遷移學(xué)習(xí)的一種可見數(shù)字水印分類方法

許憲東

（黑龍江工程學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150001）

目前，人們越來越多地將自己的數(shù)字作品發(fā)布到互聯(lián)網(wǎng)。無論是企業(yè)還是個(gè)人，其發(fā)布數(shù)字作品的版權(quán)保護(hù)問題需要被重視。對于多媒體數(shù)字作品的保護(hù)，可以采用加密等方法，但是這又不利于數(shù)字作品被更多人所獲取。數(shù)字水印技術(shù)是解決多媒體作品版權(quán)保護(hù)的一種關(guān)鍵技術(shù)。

數(shù)字水印主要包括可見水印和不可見水印等。其中，可見水印可以較好地適用于大規(guī)模多媒體作品的版權(quán)保護(hù)，人們可以通過可見水印清晰地了解多媒體作品的版權(quán)所屬。另一方面，為了不影響多媒體作品的效果，可見水印一般具有一定的透明度，其所占需保護(hù)數(shù)字作品的區(qū)域大小也可能變化較大，這些都造成了對于可見數(shù)字水印檢測的難點(diǎn)。

1 相關(guān)工作

近年來，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，人們開始嘗試將深度學(xué)習(xí)技術(shù)應(yīng)用于數(shù)字水印[1-4]?；谏疃葘W(xué)習(xí)的分類和檢測目前取得了一定的進(jìn)展，目前研究人員開始逐步利用深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)水印的嵌入與檢測[1-3]，出現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字水印方法、基于生成對抗網(wǎng)絡(luò)的數(shù)字水印方法，在水印檢測和嵌入的網(wǎng)絡(luò)模型，誤差函數(shù)及水印的生成等諸多領(lǐng)域取得了一定的進(jìn)步[5-8]。由于可見水印可被大規(guī)模地應(yīng)用到商標(biāo)保護(hù)等諸多領(lǐng)域，大量不同類別、不同大小、不同位置甚至形態(tài)各異的的水印可以被添加到大量的載體圖像中，因此可見數(shù)字水印的分類和檢測是個(gè)難點(diǎn)[9]。

2 基于遷移學(xué)習(xí)的可見數(shù)字水印分類方法

在只有少量樣本的情況下，本文實(shí)現(xiàn)了水印的檢測。目標(biāo)是通過數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)等方法提高分類的準(zhǔn)確性。

2.1 數(shù)字水印數(shù)據(jù)集的建立

由于目前公開的數(shù)據(jù)集還較少，尤其是相關(guān)特定任務(wù)更是如此。由于難以獲得大量的樣本數(shù)據(jù)來完成訓(xùn)練等任務(wù)。針對這一特點(diǎn)，本文通過采用數(shù)據(jù)增強(qiáng)來獲得更多的樣本數(shù)據(jù)。

本文選擇了商標(biāo)數(shù)據(jù)集[10]和室內(nèi)數(shù)據(jù)集[11]來生成添加商標(biāo)水印的數(shù)據(jù)集。為了更好地提高檢測的準(zhǔn)確性，應(yīng)對樣本數(shù)量過少的問題，通過數(shù)據(jù)增強(qiáng)方法對數(shù)字水印進(jìn)行了處理，并通過調(diào)整參數(shù)生成了不同透明度的水印。本文在商標(biāo)數(shù)據(jù)集[10]中取少量樣本作為水印圖像，生成的部分水印如圖1 所示。

圖1 部分水印樣本

2.2 基于遷移學(xué)習(xí)的可見水印分類

盡管應(yīng)用了數(shù)據(jù)增強(qiáng)方法，但為了滿足實(shí)際應(yīng)用，樣本數(shù)量仍然有限?？赡艽嬖谶^擬合和泛化能力差的問題。因此，通過預(yù)先在較大數(shù)據(jù)集上進(jìn)行訓(xùn)練的網(wǎng)絡(luò)模型，通過遷移學(xué)習(xí)實(shí)現(xiàn)分類是一個(gè)較好的選擇。

遷移學(xué)習(xí)的原理[12]

式中：DS是源域，一般具有大量訓(xùn)練樣本數(shù)據(jù)，Dt是目標(biāo)域。遷移學(xué)習(xí)的目的是從源域和學(xué)習(xí)任務(wù)TS獲得知識，從而提高目標(biāo)域中預(yù)測函數(shù)的準(zhǔn)確率。

本文所用遷移方法是微調(diào)方法，其被分為2 步。首先，通過大量源域訓(xùn)練樣本來訓(xùn)練網(wǎng)絡(luò)模型，再在較少樣本上進(jìn)行微調(diào)實(shí)現(xiàn)。如圖2 所示，是一個(gè)用于分類的神經(jīng)網(wǎng)絡(luò)微調(diào)方法，通過對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練和微調(diào)實(shí)現(xiàn)。

圖2 模型微調(diào)框圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

基于上述水印和室內(nèi)數(shù)據(jù)集，以室內(nèi)數(shù)據(jù)集[11]為宿主圖像，制作了包含水印的樣本數(shù)據(jù)集。圖3 是部分添加水印后的樣本數(shù)據(jù)。

圖3 添加水印后的部分樣本數(shù)據(jù)

3.2 神經(jīng)網(wǎng)絡(luò)的建立

所建立的神經(jīng)網(wǎng)絡(luò)模型如圖4 所示。

圖4 神經(jīng)網(wǎng)絡(luò)模型

這里采用預(yù)訓(xùn)練的VGG16 模型。

3.3 分類

通過凍結(jié)預(yù)訓(xùn)練模型的部分卷積層，并訓(xùn)練所添加的卷積層和全連接層。通過微調(diào)方法完成分類。實(shí)驗(yàn)結(jié)果如圖5、圖6 所示。

由圖5、圖6 可以發(fā)現(xiàn)訓(xùn)練逐漸收斂。這里每個(gè)類的訓(xùn)練集和驗(yàn)證集的樣本數(shù)量分別為42 和14。通過這種微調(diào)方法，可以利用大量樣本數(shù)據(jù)訓(xùn)練得到預(yù)訓(xùn)練模型，這種模型具有較好的特征提取能力，同時(shí)，其可以通過模型微調(diào)來更好地適應(yīng)新的分類任務(wù)。

圖5 訓(xùn)練誤差和驗(yàn)證誤差

圖6 訓(xùn)練精度和驗(yàn)證精度

由上文可知，可以通過遷移學(xué)習(xí)有效的實(shí)現(xiàn)分類，獲取圖片包含的水印類別，即使包含的水印對象較小且透明度較高，也能較好地實(shí)現(xiàn)分類。在獲取類別后，可以進(jìn)一步采用滑動(dòng)窗口、選擇性搜索等方法實(shí)現(xiàn)水印目標(biāo)檢測。

4 結(jié)束語

本文提出了一種基于遷移學(xué)習(xí)的可見水印分類方法，其包含了數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)兩部分，這種方法只需要少量的水印樣本，適合于特定的難以獲得大量樣本的情況。