[发明专利]一种水印信息嵌入方法以及装置

权利要求书

1.一种水印信息嵌入方法，其特征在于，包括：

获得目标神经网络模型的权重信息；

获得目标水印信息；

使用所述目标水印信息和所述目标神经网络模型的权重信息训练嵌入神经网络模型，并根据所述嵌入神经网络模型提供的目标水印嵌入数据更新所述目标神经网络模型的权重信息，获得嵌入有所述目标水印信息的目标神经网络模型；

其中，所述嵌入神经网络模型用于根据所述目标神经网络模型的权重信息获得目标水印嵌入数据，所述目标水印嵌入数据用于表示所述目标神经网络模型中所嵌入水印信息的嵌入程度。

2.根据权利要求1所述的方法，其特征在于，所述使用所述目标水印信息和所述目标神经网络模型的权重信息训练嵌入神经网络模型，包括：

获得预先训练的未嵌入水印信息的参考神经网络模型的权重信息，所述参考神经网络模型与所述目标神经网络模型具有相同结构；

获得随机噪声信息，所述随机噪声信息与所述目标水印信息具有相同结构；

根据所述参考神经网络模型的权重信息、所述随机噪声信息、所述目标神经网络模型的权重信息以及所述目标水印信息训练所述嵌入神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述参考神经网络模型的权重信息、所述随机噪声信息、所述目标神经网络模型的权重信息以及所述目标水印信息训练所述嵌入神经网络模型，包括：

将所述目标神经网络模型的权重信息作为第一水印训练集的实例，将所述目标水印信息作为所述第一水印训练集的标签，将所述参考神经网络模型的权重信息作为第二水印训练集的实例，将所述随机噪声信息作为所述第二水印训练集的标签；

以所述第一水印训练集和所述第二水印训练集作为训练集合，根据所述嵌入神经网络模型的模型损失函数更新所述嵌入神经网络模型的权重信息，直至所述模型损失函数收敛。

4.根据权利要求1所述的方法，其特征在于，所述根据所述嵌入神经网络模型提供的目标水印嵌入数据更新所述目标神经网络模型的权重信息，获得嵌入有所述目标水印信息的目标神经网络模型，包括：

将所述目标神经网络模型的第一权重信息输入到所述嵌入神经网络模型；

获得所述嵌入神经网络模型输出的第一目标水印嵌入数据，所述目标水印嵌入数据包括所述嵌入神经网络模型从所述目标神经网络模型的第一权重信息中提取出的水印信息；

如果所述第一目标水印嵌入数据表明所述第一权重信息中已嵌入所述目标水印信息，则停止训练所述嵌入神经网络模型，并将所述第一权重信息对应的目标神经网络模型确定为嵌入有所述目标水印信息的目标神经网络模型；

如果所述第一目标水印嵌入数据表明所述第一权重信息中未完全嵌入所述目标水印信息，则训练所述嵌入神经网络模型，获得完成第一训练的嵌入神经网络模型，并将所述第一目标水印嵌入数据提供给所述目标神经网络模型；

根据所述第一目标水印嵌入数据更新所述目标神经网络模型的权重信息，获得所述目标神经网络模型的第二权重信息；

将所述目标神经网络模型的第二权重信息输入到所述完成第一训练的嵌入神经网络模型；

以此类推，直至获得已完全嵌入所述目标水印信息的目标神经网络模型和能够从所述目标神经网络模型的权重信息中提取出所述目标水印信息的嵌入神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述如果所述第一目标水印嵌入数据表明所述目标神经网络模型中未完全嵌入所述目标水印信息，则训练所述嵌入神经网络模型，获得完成第一训练的嵌入神经网络模型，包括：

以所述目标神经网络模型的第一权重信息以及所述目标水印信息作为水印训练集，根据所述水印训练集更新所述嵌入神经网络模型的权重信息，获得完成第一训练的嵌入神经网络模型。