基于遷移學習的一種可見數字水印分類方法

許憲東

（黑龍江工程學院 計算機科學與技術學院，哈爾濱 150001）

目前，人們越來越多地將自己的數字作品發布到互聯網。無論是企業還是個人，其發布數字作品的版權保護問題需要被重視。對于多媒體數字作品的保護，可以采用加密等方法，但是這又不利于數字作品被更多人所獲取。數字水印技術是解決多媒體作品版權保護的一種關鍵技術。

數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模多媒體作品的版權保護，人們可以通過可見水印清晰地了解多媒體作品的版權所屬。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，其所占需保護數字作品的區域大小也可能變化較大，這些都造成了對于可見數字水印檢測的難點。

1 相關工作

近年來，隨著深度學習技術的不斷發展，人們開始嘗試將深度學習技術應用于數字水印[1-4]。基于深度學習的分類和檢測目前取得了一定的進展，目前研究人員開始逐步利用深度學習技術，實現水印的嵌入與檢測[1-3]，出現了基于卷積神經網絡的數字水印方法、基于生成對抗網絡的數字水印方法，在水印檢測和嵌入的網絡模型，誤差函數及水印的生成等諸多領域取得了一定的進步[5-8]。由于可見水印可被大規模地應用到商標保護等諸多領域，大量不同類別、不同大小、不同位置甚至形態各異的的水印可以被添加到大量的載體圖像中，因此可見數字水印的分類和檢測是個難點[9]。

2 基于遷移學習的可見數字水印分類方法

在只有少量樣本的情況下，本文實現了水印的檢測。目標是通過數據增強、遷移學習等方法提高分類的準確性。

2.1 數字水印數據集的建立

由于目前公開的數據集還較少，尤其是相關特定任務更是如此。由于難以獲得大量的樣本數據來完成訓練等任務。針對這一特點，本文通過采用數據增強來獲得更多的樣本數據。

本文選擇了商標數據集[10]和室內數據集[11]來生成添加商標水印的數據集。為了更好地提高檢測的準確性，應對樣本數量過少的問題，通過數據增強方法對數字水印進行了處理，并通過調整參數生成了不同透明度的水印。本文在商標數據集[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 基于遷移學習的可見水印分類

盡管應用了數據增強方法，但為了滿足實際應用，樣本數量仍然有限。可能存在過擬合和泛化能力差的問題。因此，通過預先在較大數據集上進行訓練的網絡模型，通過遷移學習實現分類是一個較好的選擇。

遷移學習的原理[12]

式中：DS是源域，一般具有大量訓練樣本數據，Dt是目標域。遷移學習的目的是從源域和學習任務TS獲得知識，從而提高目標域中預測函數的準確率。

本文所用遷移方法是微調方法，其被分為2 步。首先，通過大量源域訓練樣本來訓練網絡模型，再在較少樣本上進行微調實現。如圖2 所示，是一個用于分類的神經網絡微調方法，通過對卷積神經網絡進行預訓練和微調實現。

圖2 模型微調框圖

3 實驗與結果分析

3.1 數據集

基于上述水印和室內數據集，以室內數據集[11]為宿主圖像，制作了包含水印的樣本數據集。圖3 是部分添加水印后的樣本數據。

圖3 添加水印后的部分樣本數據

3.2 神經網絡的建立

所建立的神經網絡模型如圖4 所示。

圖4 神經網絡模型

這里采用預訓練的VGG16 模型。

3.3 分類

通過凍結預訓練模型的部分卷積層，并訓練所添加的卷積層和全連接層。通過微調方法完成分類。實驗結果如圖5、圖6 所示。

由圖5、圖6 可以發現訓練逐漸收斂。這里每個類的訓練集和驗證集的樣本數量分別為42 和14。通過這種微調方法，可以利用大量樣本數據訓練得到預訓練模型，這種模型具有較好的特征提取能力，同時，其可以通過模型微調來更好地適應新的分類任務。

圖5 訓練誤差和驗證誤差

圖6 訓練精度和驗證精度

由上文可知，可以通過遷移學習有效的實現分類，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，也能較好地實現分類。在獲取類別后，可以進一步采用滑動窗口、選擇性搜索等方法實現水印目標檢測。

4 結束語

本文提出了一種基于遷移學習的可見水印分類方法，其包含了數據增強和遷移學習兩部分，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。