@phdthesis{oai:kanagawa-u.repo.nii.ac.jp:00014869,
 author = {孟, 昭雄},
 month = {},
 note = {電子透かし技術は、ディジタル著作権保護に優れた応用を持っている。しかし、電子透かし技術に関しては、まだ解決されていない間題点がいくつかある。1番目の開題点は、作者の画像の透かし情報が二次利用者の画像に流用されるのを防ぐために、画像の特徴情報を使用して透かし情報を生成する必要があるということである。2番目の問題点は、作成者が加工・編集した画像と二次利用者が加工・編集した画像の著作権がすべて原画像の作成者であることを証明するために、透かし情報が加工・編集された画像と元の画像の間同一であることを証明できる必要があることである。3番目の間題点は、作成者と二次利用者が画像を加工・編集した順序を証明するために、信頼できる第三者に依存せずに多重電子透かしの埋め込み順序を説明する必要があることである。
　電子透かし、ブロックチェーン、知覚ハッシュに基づくディジタル著作権管理システムを提案した。上記の1番目および2番目の問題点に対処するために、このシステムは知覚ハッシュを使用して透かし情報を生成した。知覚ハッシュは、視覚的に同じ画像に対して同じ知覚ハッシュ値を生成できるため、画像を加工・編集してもハッシュ値は変化しない。画像が加工・編集されるたびに、電子透かしが埋め込まれ、多重電子遥がしが形成される。したがって、この透かし情報は、加工・編集された画像と原画像の同一性を証明できる。3番目の間題点については、透かし情報をブロックチェーンと組み合わせることによって解決した。プロックチェーンのセキュリティを利用して、知覚ハッシュに基づいて生成された透かし情報を保存および管理し、ブロックチェーンのタイミングと使用して透かし情報の保存順序を証明し、それによって多重電子透かしの埋め込み順序と画像の加工・編集の順序を証明した。
　ディジタル著作権管理システムでは、従来の知覚ハッシュを使用した。従来の知覚ハッシュは主に画像検索に使用され、ディジタル著作権管理システムでは、知覚ハッシュが電子透かしに使用される。従来の知覚ハッシュをテストしたところ、回転や反転などの画像処理方法では、従来の知覚ハッシュは原画像と加工・編集された画像に異なるハッシュ値を計算した。このように、原画像と加工・編集された画像の同一性を検証することはできない。
　畳み込みニューラルネットワーク(CNN)に基づく知覚ハッシュスキームを提案した。CNNは、マシンビジョン、画像分類などの分野で広く使用されている。CNNの主な特徴は、画像の特徴を保持および抽出するために、中間層で畳み込み層とプーリング層を使用することである。画像を回転または反転すると、加工・編集された画像と原画像が同一であることを認識できる。具体的な実装方法は既存のCNNモデルで自分のトレーニングデータを使用してfine-tuningを実行し、学習済みCNNを取得することである。CNNモデルのトレーニングデータは、対象画像と他の無関係な両像の2つのクラスの画像で構成される。出力は、対象画像のクラスと他の無関係な画像のクラスの2つのクラスで構成される。CNNモデルのトレーニングには異なる画像ビットが使用されるため、トレーニング後の重みとバイアスも異なるため、学習済みCNNの重みとバイアスは対象画像の知覚ハッシュ値として使用する。
　実際のアプリケーションでは、複数の異なる画像が、紙、木、画像コレクンョンなどのメディアの形式で公開される。これらの画像ごとに同一のハッシュ値を一度に生成すると、コンテンツの管理が容易になり、fine-tuningの計算時間が短縮される。グループ内の画像ごとに共通ハッシュ値を生成するCNNに基づく知覚ハッシュの設計スキームを提案した。画像グループを処理するために、CNNに基づく知覚ハッシュスキームを発展する。このスキームでは、グループの画像がトレーニングされて、学習済みCNNが生成される。重みやバイアスなどの学習済みCNNのパラメーターは、グループの画像の共通のハッシュ値を計算するために使用される。このようにして、スキームは同じハッシュ値を持つグループのすべての画像を管理できる。
　Fine-tuning後のCNNの重みとバイアスを使用した知覚ハッシュスキームは、電子透かし、画像グループ、およびさまざまなアプリケーションに適用できる。ただし、対象画像ごとにCNNのfine-tuningを行う問題がある。したがって、CNNの出力に基づく知覚ハッシュのスキームを提案した。提案で使用されているVGG16は、トレーニングデータとしてImageNetの画像セットを使用して学習済みCNNである。ImageNetには多数の画像特徴が含まれている。ImageNetの画像セットをトレーニングデータとして使用してCNNをトレーニングすると、学習済みCNNは入力画像を高精度で分類できる。また、同じ画像を入力すると、学習済みCNN出力層の同じ応答が得られる。逆に、異なる画像を入力すると、学習済みCNNの出力層の異なる応答が得られる。したがって、fine-tuningを実行しなくても、CNNの出力層の応答を使用して、対象画像の知覚ハッシュ直を生成できる。, Digital watermarking technology has good applications in digital copyright protection, but there are some prublems with digital watermarking. For the secondary use of copyrighted works, in the system that embeds digital watermarks for each modification/ editing, we need to prevent the watermark information from being diverted to other contents. And, we need to verify the embedding order of multiple watermarks without depending on trusted third parties. To solve these problems, we propose a digital rights management system using digital watermarking, perceptual 　hashing, and blockchain.
　However, because we used conventional perceptual hashing in this system, we could not draw sufficient conclusions about the first and second problems. In order to obtain a stable digest messag of an image for digital watermarking, we propose a new construction method for perceptual hashing using Convolutional Neural Network (CNN). We construct a machine-learned CNN for accepting the target image. The perceptual hash value is the message digest of the parameters such as weights and biases that make up the CNN.
　In practical applications, multiple different images are published in a form of media, such as in a paper or in a book. If an identical hash value for each of these images is generated all at once, the management of the content will become easy. Therefore, we propose a perceptual hashing scheme that generates an identical hash value for images of a group by improving the perceptual hashing scheme using weights and biases of the trained CNN. This scheme will reduce the calculation time for fine-tuning a CNN compared with generating a perceptual hash value for each image in a group.
　For the perceptual hashing scheme using weights and biases of the trained CNN, we needed to fine-tune the CNN for each target image, which led to inefficiency. To reduce the calculation time of perceptual hash values, we propose a construction method for perceptual hashing based on CNN that does not require fine-tuning. An image is input to the CNN and the perceptual hash value is calculated based on the response of the output layer of the CNN.},
 school = {神奈川大学},
 title = {Design proposal of perceptual hashing based on convolutional neural network for digital watermarking},
 year = {2022},
 yomi = {モウ, ショウユウ}
}