主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第5期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
沈军,廖鑫,秦拯,刘绪崇.基于卷积神经网络的低嵌入率空域隐写分析方法.软件学报,0,(0):0
基于卷积神经网络的低嵌入率空域隐写分析方法
Spatial Steganalysis of Low Embedding Rate Based on Convolutional Neural Network
投稿时间:2019-06-18  修订日期:2019-09-23
DOI:10.13328/j.cnki.jos.005980
中文关键词:  隐写分析  卷积神经网络  低嵌入率  迁移学习
英文关键词:Steganalysis  Convolution neural network  Low embedding rate  Transfer learning
基金项目:国家自然科学基金(61972142,61402162,61772191);湖南省自然科学基金(2017JJ3040);模式识别国家重点实验室开放课题(201900017);湖南省科技计划重点项目(2015TP1004,2016JC2012);网络犯罪侦查湖南省普通高校重点实验室开放课题(2017WLFZZC001)
作者单位E-mail
沈军 湖南大学 信息科学与工程学院 湖南 长沙 410012
大数据研究与应用湖南省重点实验室(湖南大学) 湖南 长沙 410082 
 
廖鑫 湖南大学 信息科学与工程学院 湖南 长沙 410012
网络犯罪侦查湖南省重点实验室(湖南警察学院) 湖南 长沙 410138 
xinliao@hnu.edu.cn 
秦拯 湖南大学 信息科学与工程学院 湖南 长沙 410012
大数据研究与应用湖南省重点实验室(湖南大学) 湖南 长沙 410082 
 
刘绪崇 网络犯罪侦查湖南省重点实验室(湖南警察学院) 湖南 长沙 410138  
摘要点击次数: 155
全文下载次数: 785
中文摘要:
      近年来,基于深度学习的空域隐写分析研究在高嵌入率下已经取得了较好的成果,但是对低嵌入率的检测效果还不太理想.因此本文设计了一个新的卷积神经网络结构,使用SRM滤波器进行预处理来获取隐写噪声残差,采用三个卷积层并对卷积核大小进行合理设计,通过适当选择批量归一化操作和激活函数来提升网络的性能.实验结果表明,与现有方法相比,本文提出的网络结构对WOW、S-UNIWARD和HILL三种常见的空域内容自适应隐写算法取得了更好的检测效果,且在低嵌入率0.2bpp、0.1bpp和0.05bpp下的检测效果有非常明显的提升.本文还提出了逐步迁移(step by step)的迁移学习方法,进一步提升低嵌入率条件下的隐写分析效果.
英文摘要:
      In recent years, the research of spatial steganalysis based on deep learning has achieved good results under high embedding rate, but the detection performance under low embedding rate is still not ideal. Therefore, a new convolutional neural network structure is proposed, which uses the SRM filter for preprocessing to obtain implicit noise residuals, adopts three convolution layers and designs the size of convolution kernel reasonably, and selects appropriate batch normalization operations and activation functions to improve the network performance. The experimental results show that compared with the existing methods, the proposed network can achieve better detection performance for WOW, S-UNIWARD and HILL, three common adaptive steganographic algorithms in spatial domain, and significant improvement in detection performance at low embedding rates of 0.2bpp, 0.1bpp and 0.05bpp. A step-by-step transfer learning method is also designed to further improve the steganalysis effect under low embedding rate conditions.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利