1.本公开涉及图像处理领域，尤其涉及人工智能、深度学习领域，具体涉及一种水印检测方法、模型训练方法、水印检测装置、模型训练装置、电子设备和计算机可读存储介质。
背景技术：
2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.随着互联网技术飞速发展，涌现出众多的不同类型的视觉产品，不同产品均具有独有的水印标识，从而避免彼此之间资源的相互搬运、防止侵权，在分发资源时候或者对搜索资源进行抓取时，通常需要对资源中的水印进行有效检测。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
技术实现要素：
5.本公开提供了一种水印检测方法、模型训练方法、水印检测装置、模型训练装置、电子设备和计算机可读存储介质。
6.根据本公开的一方面，提供了一种水印检测方法，包括：对待检测图像进行预测分析，以获取待检测图像的预测结果，其中，预测结果指示待检测图像中是否包括可能存在水印的图像区域；响应于待检测图像中包括图像区域，在图像区域内对待检测图像进行文字识别；以及响应于在图像区域内识别到文字内容，基于文字内容确定待检测图像中是否包含目标水印。
7.根据本公开的另一方面，提供了一种模型训练方法，包括：获取样本数据集，其中，样本数据集中包括至少一个正样本图像和至少一个负样本图像，至少一个正样本图像中的每个正样本图像的水印标注信息包括至少一个水印标注区域以及相应于至少一个水印标注区域的至少一个第一水印标签，至少一个负样本图像中的每个负样本图像的水印标注信息包括第二水印标签；基于样本数据集，执行如下步骤，直至模型收敛：基于样本数据集，获取第一样本图像，其中，第一样本图像包括至少一个水印标注信息；将第一样本图像输入模型，以获得至少一个水印预测结果；以及基于至少一个水印预测结果中的每个水印预测结果以及该水印预测结果相应的水印标注信息，调整模型的参数。
8.根据本公开的另一方面，提供了一种水印检测装置，包括：第一获取单元，被配置为对待检测图像进行预测分析，以获取待检测图像的预测结果，其中，预测结果指示待检测图像中是否包括可能存在水印的图像区域；识别单元，被配置为响应于待检测图像中包括
图像区域，在图像区域内对待检测图像进行文字识别；以及第一确定单元，被配置为响应于在图像区域内识别到文字内容，基于文字内容确定待检测图像中是否包含目标水印。
9.根据本公开的另一方面，提供了一种模型训练装置，包括：第四获取单元，被配置为获取样本数据集，其中，样本数据集中包括至少一个正样本图像和至少一个负样本图像，至少一个正样本图像中的每个正样本图像的水印标注信息包括至少一个水印标注区域以及相应于至少一个水印标注区域的至少一个第一水印标签，至少一个负样本图像中的每个负样本图像的水印标注信息包括第二水印标签；执行单元，被配置为基于样本数据集，执行如下子单元的操作，直至模型收敛：获取子单元，被配置为基于样本数据集，获取第一样本图像，其中，第一样本图像包括至少一个水印标注信息；第二输入子单元，被配置为将第一样本图像输入模型，以获得至少一个水印预测结果；以及调整子单元，被配置为基于至少一个水印预测结果中的每个水印预测结果以及该水印预测结果相应的水印标注信息，调整模型的参数。
10.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述水印检测方法或模型训练方法。
11.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述水印检测方法或模型训练方法。
12.根据本公开的一个或多个实施例，通过在获取图像中的水印预测区域之后，进一步对该区域进行文字识别，并基于文字识别结果判断该区域是否包含目标水印，从而能够实现对模型识别结果的验证，提高水印识别的准确率。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
15.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；图2示出了根据本公开的实施例的水印检测方法的流程图；图3示出了根据本公开的实施例的水印检测方法的流程图；图4示出了根据本公开的示例性实施例的水印检测方法的流程框图；图5示出了根据本公开的实施例的模型训练方法的流程图；图6示出了根据本公开的实施例的水印检测装置的结构框图；图7示出了根据本公开的实施例的模型训练装置的结构框图；图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
16.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
17.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
18.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
19.相关技术中，一些基于深度学习的水印检测方法，往往将不同类别的水印作为不同的检测目标，通过模型进行检测，如果出现新产品的水印，上述模型将无法对其进行准确地识别，往往会存在大量的误检情况，导致识别的准确性难以保证。
20.本公开的实施例提供了一种水印检测方法，通过在获取图像中的水印预测区域之后，进一步对该区域进行文字识别，并基于文字识别结果判断该区域是否包含目标水印，从而实现了对模型识别结果的验证，提高了水印识别的准确率。
21.下面将结合附图详细描述本公开的实施例。
22.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
23.在本公开的实施例中，服务器120可以运行使得能够执行水印检测方法的一个或多个服务或软件应用。
24.在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务（saas）模型下提供给客户端设备101、102、103、104、105和/或106的用户。
25.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
26.用户可以使用客户端设备101、102、103、104、105和/或106来获取样待检测图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备
还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
27.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机（诸如个人计算机和膝上型计算机）、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统（例如google chrome os）；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理（pda）等。可穿戴设备可以包括头戴式显示器（诸如智能眼镜）和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序（例如电子邮件应用程序）、短消息服务（sms）应用程序，并且可以使用各种通信协议。
28.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种（包括但不限于tcp/ip、sna、ipx等）来支持数据通信。仅作为示例，一个或多个网络110可以是局域网（lan）、基于以太网的网络、令牌环、广域网（wan）、因特网、虚拟网络、虚拟专用网络（vpn）、内部网、外部网、区块链网络、公共交换电话网（pstn）、红外网络、无线网络（例如蓝牙、wifi）和/或这些和/或其他网络的任意组合。
29.服务器120可以包括一个或多个通用计算机、专用服务器计算机（例如pc（个人计算机）服务器、unix服务器、中端服务器）、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构（例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池）。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
30.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
31.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
32.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器（vps，virtual private server）服务中存在的管理难度大、业务扩展性弱的缺陷。
33.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频
文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
34.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
35.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
36.根据本公开的实施例，如图2所示，提供了水印检测方法，包括：步骤s201、对待检测图像进行预测分析，以获取待检测图像的预测结果，其中，预测结果指示待检测图像中是否包括可能存在水印的图像区域；步骤s202、响应于待检测图像中包括图像区域，在图像区域内对待检测图像进行文字识别；以及步骤s203、响应于在图像区域内识别到文字内容，基于文字内容确定待检测图像中是否包含目标水印。
37.由此，通过在获取图像中的水印预测区域之后，进一步对该区域进行文字识别，并基于文字识别结果判断该区域是否包含目标水印，从而能够实现对模型识别结果的验证，提高水印识别的准确率。
38.在一些实施例中，待检测图像可以为图片，也可以来源于视频。对于视频应上述方法进行水印检测，可以通过对视频中的每一帧图像或某几帧图像进行水印检测，并根据每一帧的水印检测结果，判断该视频是否包含水印。
39.在一些实施例中，待检测图像可以是基于来源于图片数据或视频数据中的原始图像，进行预处理之后获得的图像。上述预处理可以包括将图像转换成某一预设格式（例如rgb格式），也可以包括将图像的大小调整为预定尺寸（例如640
×
640），还可以包括对图像每一像素值进行归一化。
40.在一些实施例中，当获取到待检测图像后，首先可以对该待检测图像进行预测分析。
41.根据一些实施例，对待检测图像进行预测分析，以获取待检测图像的预测结果可以包括：将待检测图像输入水印检测模型，以获取水印检测模型输出的图像区域以及图像区域相应的预测概率，其中，预测概率指示图像区域中包含水印的可能性；以及响应于预测概率大于预设概率阈值，确定待检测图像包括图像区域。
42.在一些实施例中，可以将经过预处理的待检测图像输入到水印检测模型中，通过水印检测模型对该待检测图像进行预测分析，从而获取到该待检测图像中可能存在水印的图像区域以及该图像区域存在水印的预测概率。
43.其中，水印检测模型例如可以基于卷积神经网络模型构建。水印检测模型所输出的图像区域例如可以为一个水印检测框，并且可以通过输出该水印检测框的坐标来对该区域进行表示。
44.在一些实施例中，可以通过比较预测概率与预设概率阈值的大小，来判断该待检测图像中存在水印的可能性。示例性地，当预测概率大于预设概率阈值时，则确定待检测图
像包括可能存在水印的图像区域；当预测概率小于或等于预设概率阈值时，则判断该待检测图像中不包括可能存在水印的图像区域，也即判断该图像中没有水印。
45.在一些实施例中，可以根据不同业务场景的实际需要，对预设概率阈值进行适应性设置，从而能够进一步提升水印检测模型的预测准确度。
46.根据一些实施例，如图3所示，水印检测方法还可以包括：步骤s301、获取多个第一图像，其中，多个第一图像中的每个第一图像包括水印标签，水印标签指示水印标签相应的第一图像中是否包含水印；步骤s302、基于水印检测模型和预设概率阈值，获取多个第一图像中的每个第一图像的水印预测结果；步骤s303、基于多个第一图像中的每个第一图像的水印预测结果以及该第一图像的水印标签，确定水印检测模型的召回率和误检率；以及步骤s304、基于召回率和误检率，调整预设概率阈值，以基于调整后的预设概率阈值判断待检测图像是否包括图像区域。
47.在一些实施例中，也可以针对所要应用的业务场景，进行相关图像数据的收集。在一些实施例中，对于收集到的图像数据可以首先进行上述预处理，并对每个图像数据进行标注，从而获取到该业务场景下的用于对模型进行评估的多个第一图像。
48.在一些实施例中，可以将上述多个第一图像分别输入到水印检测模型中，并基于预设概率阈值及模型输出结果获取每个第一图像的预测结果；随后，根据每个第一图像的预测结果及其水印标签，统计模型的误检率和召回率，并根据上述统计结果对预设概率阈值进行调整，以使该模型在该业务场景下，基于调整后的预设概率阈值有更高的准确度。
49.在一些实施例中，也可以分别预设多个不同的预设概率阈值（例如0.2,0.3，
…
，0.9等9个不同的预设概率阈值），并分别基于上述多个第一图像和不同的预设概率阈值分别通过模型进行预测分析，并分别统计不同预设概率阈值下模型的误检率和召回率，并通过对比不同的统计结果，确定最优的预设概率阈值，由此，能够进一步提升模型在特定业务场景中的预测准确性。
50.在一些实施例中，当通过水印检测模型获取到待检测图像中可能包含水印的图像区域后，可以进一步对该图像区域内的图像进行文字识别（例如可以应用ocr文字识别技术），当在该区域中识别到文字内容时，即可根据文字内容确定待检测图像中包括水印。由于在实际应用场景中，绝大多数水印均包含文字，因此在通过模型对水印进行检测之后，通过识别模型输出的图像区域内是否存在文字内容，并基于文字内容进行二次判断，能够进一步提升水印检测的准确度，减少误检的情况。
51.不同产品的水印中的文字和图标均存在很大差异，因此当出现新产品的水印时，已训练好的水印检测模型无法对新出现的水印进行校准确的识别，可能产生较大的检测误差。相关技术中，当出现这种情况时，通常需要重新构建训练数据集对模型进行重新训练，但是通过这种方式，模型的迭代更新效率较低，往往需要耗费大量的人工和时间成本。
52.根据一些实施例，基于文字内容确定待检测图像中是否包含目标水印包括：基于文字内容，与至少一个预置词汇进行匹配；以及响应于在至少一个预置词汇中包含与文字内容相匹配的预置词汇，确定待检测图像包含目标水印。
53.由此，通过文字内容与至少一个预置词汇的匹配，对于新增产品的水印，无需重新构建训练集对模型进行重新训练，仅需通过将相应文本增加至预置词汇中，即可实现对新产品水印的扩展识别。由此，提升了水印识别的可扩展性，节省模型迭代的成本，提升该水
印识别系统扩展水印类别的效率。
54.在一些实施例中，当在上述图像区域中识别到文字内容后，可以进一步通过与至少一个预置词汇进行匹配，当在上述预置词汇中成功匹配到某个预置词汇后，则确定待检测图像包括目标水印。
55.在一些实施例中，至少一个预置词汇例如可以保存在一个预置词表中。对于文字内容的匹配，例如可以通过基于文字编码等方式进行。
56.在一些实施例中，当识别得到的文字内容与预置词表中的某个预置词汇完全一致时，则判断为匹配成功，则能够确定待检测图像包括目标水印；当匹配不成功时，则认为该待检测图像中不包括目标水印。
57.在一些实施例中，预置词表中的预置词汇可以根据实际情况进行添加或删减。由此，当出现新增的产品水印时，即可通过将该水印中的文字保存为预置词表中的预置词汇，从而当进行后续水印检测时，即可通过匹配更新后的预置词表，从而实现对新产品水印的准确识别。
58.图4示出了根据本公开的示例性实施例的水印检测方法的流程框图。如图4所示，水印检测方法可以包括：步骤s401、获取待检测的图像；步骤s402、对该待检测的图像统一格式和统一图像大小等预处理；步骤s403、将经过预处理的图像输入到水印检测模型中，进行预测分析，从而获取预测分析结果（包括可能包含水印的图像区域和预测概率）；步骤s404、比较预测概率和预设概率阈值的大小；步骤s405、当预测概率小于或等于预设概率阈值时，判断该图像中无水印；步骤s406、当预测概率大于预设概率阈值时，输出该待检测图像中的可能存在水印的图像区域；步骤s407、在该图像区域内对待检测图像进行文字识别；步骤s408、判断是否检测到文字内容；步骤s409、当未检测到文字内容时，判断该图像中不包含目标水印；步骤s410、当检测到文字内容时，基于文字内容，与至少一个预置词汇进行匹配；步骤s411、当未成功匹配时，则判断该图像中不包含目标水印；步骤s412、当成功匹配时，则确定该图像中包含目标水印。
59.根据一些实施例，如图5所示，提供了一种模型训练方法，包括：步骤s501、获取样本数据集，其中，样本数据集中包括至少一个正样本图像和至少一个负样本图像，至少一个正样本图像中的每个正样本图像的水印标注信息包括至少一个水印标注区域以及相应于至少一个水印标注区域的至少一个第一水印标签，至少一个负样本图像中的每个负样本图像的水印标注信息包括第二水印标签；基于样本数据集，执行如下步骤，直至模型收敛：步骤s502、基于样本数据集，获取第一样本图像，其中，第一样本图像包括至少一个水印标注信息；步骤s503、将第一样本图像输入模型，以获得至少一个水印预测结果；以及步骤s504、基于至少一个水印预测结果中的每个水印预测结果以及该水印预测结果相应的水印标注信息，调整模型的参数。
60.在一些实施例中，对于水印检测模型的训练，首先可以通过对线上数据的收集，并对收集到的图像中的水印进行标注，从而获取样本数据集。在一些实施例中，对图像中的水印进行标注包括标注该水印所在区域（该区域内包含水印的图标和文字）以及用于表示该区域内包含水印的第一水印标签。
61.在一些实施例中，可以同时获取一些不包含水印的图像，并对其标注用于表示该区域内不包含水印的第二水印标签，从而获取一定数量的负样本图像。
62.在一些实施例中，可以对标注好的图像进行数据增强及预处理操作，从而构建样本数据集。其中，数据增强例如可以包括对图像进行随机裁剪、随机翻转以及颜色空间变换等；预处理例如可以包括将图像转换成某一预设格式、将图像的大小调整为预定尺寸、对图像进行像素值归一化等。
63.根据一些实施例，基于样本数据集，获取第一样本图像可以包括：在样本数据集中随机选择至少一个样本图像；对至少一个样本图像中的每个样本图像进行随机样本增强；以及基于进行随机样本增强后的至少一个样本图像，合成第一样本图像。
64.在一些实施例中，在将样本图像输入到水印检测模型之前，可以首先从样本数据集中选择至少一个样本图像（例如可以为4个），并对每个样本图像进行随机数据增强，并将进行随机样本增强后的至少一个样本图像通过拼接的方式合成为一个第一样本图像，并将其输入到水印检测模型中，对模型进行训练。其中，随机数据增强例如可以包括随机缩放、随机裁剪、随机排布等操作。
65.由此，通过上述方式获取第一样本图像并输入到模型中进行模型训练，能够在进一步丰富样本数据的同时，增强模型对小目标的检测效果，进一步节省了计算资源的使用。
66.根据一些实施例，如图6所示，提供了一种水印检测装置600，包括：第一获取单元610，被配置为对待检测图像进行预测分析，以获取待检测图像的预测结果，其中，预测结果指示待检测图像中是否包括可能存在水印的图像区域；识别单元620，被配置为响应于待检测图像中包括图像区域，在图像区域内对待检测图像进行文字识别；以及第一确定单元630，被配置为响应于在图像区域内识别到文字内容，基于文字内容确定待检测图像中是否包含目标水印。
67.其中，水印检测装置600中的单元610-单元630的操作与上述水印检测方法的步骤s201-步骤s203的操作类似，在此不做赘述。
68.根据一些实施例，第一确定单元包括：匹配子单元，被配置为基于所述文字内容，与至少一个预置词汇进行匹配；以及第一确定子单元，被配置为响应于在所述至少一个预置词汇中包含与所述文字内容相匹配的预置词汇，确定所述待检测图像包含目标水印。
69.根据一些实施例，第一获取单元包括：第一输入子单元，被配置为将所述待检测图像输入水印检测模型，以获取所述水印检测模型输出的所述图像区域以及所述图像区域相应的预测概率，其中，所述预测概率指示所述图像区域中包含水印的可能性；以及第二确定子单元，被配置为响应于所述预测概率大于预设概率阈值，确定所述待检测图像包括所述图像区域。
70.根据一些实施例，水印检测装置还包括：第二获取单元，被配置为获取多个第一图像，其中，所述多个第一图像中的每个第一图像包括水印标签，所述水印标签指示所述水印标签相应的第一图像中是否包含水印；第三获取单元，被配置为基于所述水印检测模型和所述预设概率阈值，获取所述多个第一图像中的每个第一图像的水印预测结果；第二确定单元，被配置为基于所述多个第一图像中的每个第一图像的水印预测结果以及该第一图像的水印标签，确定所述水印检测模型的召回率和误检率；以及调整单元，被配置为基于所述召回率和所述误检率，调整所述预设概率阈值，以基于调整后的所述预设概率阈值判断所述待检测图像是否包括所述图像区域。
71.根据一些实施例，如图7所示，提供了一种模型训练装置700，包括：第四获取单元
710，被配置为获取样本数据集，其中，样本数据集中包括至少一个正样本图像和至少一个负样本图像，至少一个正样本图像中的每个正样本图像的水印标注信息包括至少一个水印标注区域以及相应于至少一个水印标注区域的至少一个第一水印标签，至少一个负样本图像中的每个负样本图像的水印标注信息包括第二水印标签；执行单元720，被配置为基于样本数据集，执行如下子单元的操作，直至模型收敛：获取子单元721，被配置为基于样本数据集，获取第一样本图像，其中，第一样本图像包括至少一个水印标注信息；第二输入子单元722，被配置为将第一样本图像输入模型，以获得至少一个水印预测结果；以及调整子单元723，被配置为基于至少一个水印预测结果中的每个水印预测结果以及该水印预测结果相应的水印标注信息，调整模型的参数。
72.其中，模型训练装置700中的单元710-单元720、子单元721-子单元723的操作与上述模型训练方法的步骤s501-步骤s504的操作类似，在此不做赘述。
73.根据一些实施例，获取子单元包括：选择模块，被配置为在所述样本数据集中随机选择至少一个样本图像；样本增强模块，被配置为对所述至少一个样本图像中的每个样本图像进行随机样本增强；以及合成模块，被配置为基于进行随机样本增强后的所述至少一个样本图像，合成所述第一样本图像。
74.根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
75.参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
76.如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器（rom）802中的计算机程序或者从存储单元808加载到随机访问存储器（ram）803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出（i/o）接口805也连接至总线804。
77.电子设备800中的多个部件连接至i/o接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向电子设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
78.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元（cpu）、图形处理单元（gpu）、各种专用的人工智能（ai）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（dsp）、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如上述水印检测方法或模型训练方法。例如，在一些实施例中，上述水印检测方法或模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的上述水印检测方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行上述水印检测方法或模型训练方法。
79.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、芯片上系统的系统（soc）、复杂可编程逻辑设备（cpld）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
80.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
81.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd-rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
82.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，crt（阴极射线管）或者lcd（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
83.可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据
服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（lan）、广域网（wan）和互联网。
84.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
85.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
86.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。