Page 279 - 《软件学报》2021年第9期

沈军 等:基于卷积神经网络的低嵌入率空域隐写分析 2903

[6]
免隐写噪声信息的丢失.该文献在实验中使用 Bossbase图像库对 S-UNIWARD 算法 0.4bpp嵌入率进行了检测,
检测效果优于 Tan-Net [15] ,Qian-Net [16] 和 Xu-Net [14] .
1.2 三层卷积结构
Tan 等人在文献[15]中首次将深度学习的方法应用于空域隐写分析领域中,构造了包含 3 个卷积层和一个
全连接层的 4 层网络结构,使用了 KV 核对第 1 层卷积核进行初始化,通过利用卷积自动编码器(SCAE)进行预
训练,检测效果有了较大提升.在 Tan-Net 的工作中,验证了随机初始化第 1 个卷积层的训练模型基本没有隐写
分析检测的能力.

1.3 五层卷积结构
Qian-Net [16] 是由 Qian 等人提出的一个具有 5 个卷积层的网络结构,使用 KV 核作为预处理层对图像进行预
处理,使得模型能够直接对残差图像进行学习,降低了图像内容对训练的干扰.Qian-Net 还根据隐写噪声的特点,
使用了高斯激活函数和均值池化,进一步提高了检测性能.Qian-Net 在 Bossbase 图像库中的检测准确性相比
[8]
SRM 只低了 3%~5%,在 ImageNet 图像中的检测准确性与 SRM 相当.Qian-Net 在基于深度学习的隐写分析中
属于很好的研究成果.Qian 等人提出采用迁移学习 [17] 的方法提高模型在低嵌入率下的检测性能,将高隐写容量
的训练模型迁移到低隐写容量中进行训练,该方案在减少训练时间的同时,有效地提高了检测正确率.
Xu 等人随后提出了 Xu-Net [14] ,该网络使用 KV 核作为高通滤波器层(HPF 层)对图像进行预处理操作,网络
中使用 5 个卷积层,第 1 个卷积层之后,利用绝对(ABS)层来消除残差信号的符号影响.前两个卷积层的卷积核为
5×5,为了防止网络模型过拟合,在随后的卷积层中使用 1×1 大小的卷积核.每个卷积层中使用了批量归一化
(batch normalization,简称 BN)操作,前两个卷积层后使用 TanH 激活函数,其他卷积层使用 ReLU 激活函数.每个
卷积层通过均值池化来减小特征图的维度,均值池化能够综合所有残差信息,降低信息丢失的影响.Xu-Net 在
[7]
[6]
Bossbass 图像库中,对 S-UNIWARD 和 HILL 算法的检测能力均优于 SRM.Xu 等人在文献[18]中对之前的工
作进行了改进,使用卷积神经网络的集成学习和重叠池化方法来提高检测效果.
Yedroudj 等人在文献[19]中通过结合 Xu-Net [14] 和 Res-Net [20] 网络的特点设计了 Yedroudj-Net,该网络预处
[8]
理层使用了 30 个 SRM 卷积核,让网络能够提取到更多的隐写特征.网络结构中使用 5 个卷积层,综合使用了绝
对(ABS)层、批量归一化(batch normalization,简称 BN)层、截断函数(truncation function,简称 Trunc) [21] 和均值
[6]
[5]
池化层.该文献中使用 Bossbase 图像库分别对 WOW ,S-UNIWARD 算法进行检测,发现 0.4bpp 和 0.2bpp 嵌
[8]
入率下的效果均优于 SRM ,Xu-Net [14] 和 Ye-Net [22] .
1.4 其他深层结构
基于 Xu 等人的研究 [14] ,Ye 等人提出了 Ye-Net [22] ,该网络使用了更深的八层卷积网络结构,并且使用 30 个
[8]
SRM 卷积核作为预处理层来让模型学习更多的特征.Ye 等人在文献中设计了新的截断线性单元(truncated
linear unit,简称 TLU)作为激活函数,通过适当的设置参数 T(一般取 3 或 7),使网络能够更好地适应隐写噪声分
布.Ye-Net 还通过选择通道,进一步提高了该模型的检测效果.实验中,该文献结合 Bossbase 和 BOWS2 这两个图
像库进行检测,其准确率已显著优于 SRM 等传统隐写分析方法.Wu 等人利用残差网络 Res-Net [20] 构造了一个深
层次的隐写分析模型 Wu-Net [23] ,Wu-Net 通过增加卷积层数量,使模型能够更有效的捕获图像的隐写特征.Wu-
[8]
Net 的检测效果均优于 SRM 算法 、Qian-Net [16] 和 Xu-Net [12] .Tsang 等人为了使模型能够对任意尺寸图像进行
处理,基于 Ye-Net [22] 网络结构提出了 Tsang-Net [24] .Tsang-Net 中,在全连接层前加入了统计矩提取层,统计矩提取
层通过将卷积层输出的任意大小特征图转换为固定维度的特征输入全连接层.Tsang-Net 实现了对任意大小的
图像进行隐写分析检测,且保持了较好的检测能力.
2 本文提出的卷积神经网络结构

针对低嵌入率下空域隐写分析存在的问题,本文构建了一个新的卷积神经网络结构 Shen-Net 实现空域隐
写分析 [25] .Shen-Net 整体算法框架如图 1 所示,主要分为输入模块、卷积模块和输出模块.待测图像首先进入预