2022 Fiscal Year Research-status Report
Processing and Editing-Resistant Message Digest based on the deep learning and its applicatioin to copyright management
| Project/Area Number |
22K12036
|
|---|
| Research Institution | Kanagawa University |
|---|
Principal Investigator |
木下 宏揚 神奈川大学, 工学部, 教授 (70202041)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
森住 哲也 神奈川大学, 工学部, 助教 (70537422)
宮田 純子 芝浦工業大学, 工学部, 准教授 (90633909)
|
|---|
| Project Period (FY) |
2022-04-01 – 2027-03-31
|
| Keywords | 知覚ハッシュ / 電子透かし / CNN / 電子著作権管理 / メッセージダイジェスト / モデル圧縮 |
|---|
| Outline of Annual Research Achievements |
安全で利便性の高いデジタルコンテンツの著作権管理には，画像を識別するメッセージダイジェストが必要不可欠である．流通過程での加工編集を考慮すると通常の暗号学的ハッシュ関数のみでは不十分で，人間の知覚特性を考慮したコンテンツの同一性を判断可能な知覚ハッシュが必要不可欠となる．従来の知覚ハッシュの手法では加工編集に対する耐性が不十分であったが，畳み込みニューラルネットワーク（CNN）の重み係数に基づく知覚ハッシュでは十分な耐性を有している．しかし，生成者側と検証者側との間では学習済みのモデルを共有する必要があり，共有データのサイズ削減が課題となっている．本研究ではCNN モデルのモデル圧縮の手法のうち枝刈りに着目して共有データサイズの削減を行い，知覚ハッシュの識別の精度と圧縮率の関係について評価を行った．電子透かしの最大の問題点は、加工編集などによる透かし情報の耐性が不十分なことである。すべての加工項目に対して耐性のある電子透かしの構成は極めて困難である。本研究では、CNN を利用した知覚ハッシュを応用した電子透かしの構成法において電子すかしの耐性評価法であるstirmark に対する透かし情報の耐性の検証を行った。既存の相関型ステガノグラフィでは，M 系列での情報符号化とDCT 領域への埋め込みにより秘匿性向上が確認されたが，ステゴ画像の圧縮といった画像加工耐性が未検証で，情報量削減が求められる情報の送受信などの使用時に，正しい情報復元が可能かわからないという問題がある．また，画質の劣化は秘密情報の存在が暴かれやすくなる原因で，秘匿性向上においてはより抑制することが重要である．そこで本研究は，ステゴ画像の圧縮耐性を情報の埋め込み位置や圧縮率を変化させることで検証し，それに伴い生じた劣化について対策を提案した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
CNNの構造と状態に基づいた新しい知覚ハッシュの構成法については、CNNを用いた知覚ハッシュには対象画像を受理するように学習したCNNモデルの重み係数に基づく方法と一般の画像のクラス分類のためのCNNモデルに対象画像を入力した際のモデル中のノードのレスポンスに基づく方法がある。前者については、基本的な方式の提案と実用性について検証が行うことができた。後者についてはCNNの出力層の確率分布を用いた方式について提案を行えた。CNN再構成に必要な共有情報量削減については、初歩的な段階として枝刈りを用いたモデル圧縮を適用し有効性を確認できた。画像のグループを受理する知覚ハッシュについては異なる二つのアプローチでその有効性を比較している段階である。知覚ハッシュ技術の電子透かしへの応用については、基礎的な透かし情報埋め込みの実装を行い、他の電子透かしとの比較検討の準備段階である。ブロックチェーンを用いた電子透かしの管理については基本的な方式やプロトコルについては概ね構築できた。CNNモデルへの電子透かし埋め込みについてはモデル圧縮の冗長性に着目した方式について基本的な検討を行った。以上のように予定された項目について、進捗状況に差はあるものの１年目としては概ね進捗状況は順調に進んでいる。
|
| Strategy for Future Research Activity |
CNNの構造と状態に基づいた新しい知覚ハッシュの構成法のうち、CNNを用いた知覚ハッシュには対象画像を受理するように学習したCNNモデルの重み係数に基づく方法については、最適なCNNモデルやその学習方法、オーグメンテーションの方式について、さらなる検討を行う。一般の画像のクラス分類のためのCNNモデルに対象画像を入力した際のモデル中のノードのレスポンスに基づく方法については、CNNのノードのレスポンスの解析にテンソル分解を用いる方法が考えられる。さらにCNN以外の機械学習の適用を検討する。具体的にはオートエンコーダを用いて対象画像の特徴量の抽出を行う。CNN再構成に必要な共有情報量削減については、昨年度はモデル圧縮のうち枝刈りを用いた方法を検討したが、これ以外にも量子化や蒸留によるモデル圧縮を用いる手法を検討する。またモデル圧縮以外にも対象画像の学習にFine-tuningではなく転移学習を使うことで共有データ削減を行うことができると思われる。またHDF形式でモデルを記述する際にエントロピー符号化を用いることでさらなる共有データ圧縮が期待される。画像のグループを受理する知覚ハッシュについては基本的な実装を行い有効性を検証する必要がある。知覚ハッシュ技術の電子透かしへの応用については、埋め込みをおこなう情報量の拡大が望まれる。ブロックチェーンを用いた電子透かしの管理については提案した基本的な方式やプロトコルについてEtheriumなど実際のシステムへの実装が望まれる。
|
| Causes of Carryover |
コロナ下で学会発表が現地参加ではなくオンラインで行われたため旅費の支出が減ったため次年度使用額が生じた。今年度は現地参加が見込まれるため学会参加回数を増やすことで昨年度の残額を使用する予定である。
|
Research Products
(8 results)
