Sep, 2023

使用单个异常图像进行安全且稳健的水印嵌入

PDF
TL;DR训练高性能深度神经网络需要大量的数据和计算资源。保护深度模型的知识产权和商业所有权具有挑战性但又越来越重要。本研究提出了一种安全而稳健的基于后门的水印注入技术，利用单个超出分布图像的多样知识作为知识产权验证的秘密密钥。该技术不仅在没有训练数据的情况下快速高效，而且对抵抗水印去除攻击具有鲁棒性。
发现论文，激发创造
  • 有限数据下消除神经网络中基于后门的水印

    本文介绍了一种基于小样本数据的去水印方法，使用数据增强和特征空间中正常和扰动数据的分布对齐相结合，有效地去除深度模型中的水印，并不影响深度模型性能。

    Aug, 2020

  • 基于后门水印技术的开源数据集保护

    本文提出了一种基于后门嵌入的数据集水印方法，通过数据集水印和数据集验证两个主要流程保护开源的图像分类数据集，验证了该方法的有效性。

    Oct, 2020

  • 使用干净标签后门水印保护公共数据集

    本研究提出了一种基于后门的数字水印方法，可保护公开可用的数据集免受非法使用，使用仅占数据集样本极小比例的水印样本，且不影响原有任务性能，提高了数据保护的隐蔽性和有效性。

    Mar, 2023

  • 图像处理网络的模型水印技术

    基于空间隐形水印技术，提出了一种图像处理模型的水印框架，防止模型权益被侵犯。实验证明，该水印技术可抵抗不同网络结构和目标函数训练出的替代模型。

    Feb, 2020

  • 非定向后门水印：迈向无害和隐密的数据集版权保护

    通过引入非目标型背门水印方案，该研究探讨了数据集所有权的验证问题，并在多个数据集上验证了其方法的有效性和鲁棒性。

    Sep, 2022

  • 关于基于后门的深度神经网络数字水印的鲁棒性

    本论文研究了深度神经网络的数字水印技术并提出了黑盒和白盒的攻击方法，证明了该水印方案的不安全性，并指出需要一些其他技术来保护免受攻击。

    Jun, 2019

  • ROSE: 一种强健和安全的 DNN 水印技术

    该研究提出了一种轻量级、强健、安全的黑盒 DNN 数字水印协议，在训练期间注入任务特定的键图像 - 标签对，并证明该模型的所有权，从而提供保护同时保持适当的安全性和强健性。

    Jun, 2022

  • 基于后门水印技术的数据集保护中的黑匣子所有权验证

    本文基于深度学习和神经网络的高效和有效性，提出了一种基于后门水印的数据集保护模式，其中数据集水印包括数据集水印和数据集验证，实验证明了该方法的有效性。

    Aug, 2022

  • 深度神经网络抗盗版水印

    本研究介绍了一种旨在提高深度神经网络（DNN）中数字水印鲸吞强度的方法，该方法称为空嵌入（null embedding），通过对模型进行初始训练，我们建立了模型分类精确度与水印之间的强关系，使攻击者无法通过调整或增量训练来移除嵌入式数字水印，并且可以避免第三方嵌入 “盗版数字水印” 以索取模型所有权的情况。

    Oct, 2019

  • 深度神经网络的功能耦合水印

    本文提出了一种新颖的 DNN 数字水印技术以有效防御模型精调和模型修剪等攻击。

    Feb, 2023