Page 282 - 《软件学报》2021年第9期

2906 Journal of Software 软件学报 Vol.32, No.9, September 2021

− 1 + ⎡ 2 − 1⎤
⎢ ⎥
33 = +
SQUARE × ⎢ 2 − 4 + 2 ⎥ (6)
⎢− 1 + 2 − 1⎥ ⎦
⎣
− 1 + ⎡ 2 − 2 + 2 − 1⎤
⎢ ⎥
EDGE 5× 5 =+ 2 − 6 + 8 − 6 + 2 ⎥ (7)
⎢
⎢ ⎣ 2 + 8 − 12 + 8 − 2⎥− ⎦
− ⎡ 1 + 2 − 1 2 − + 1⎤
⎢ + 2 − + 6 + − ⎥
⎢ 6 8 2 ⎥
5 5 =
SQUARE × ⎢ 2 + 8 − 12 + 8 − 2⎥− (8)
⎢ ⎥
⎢ + 2 − 6 + 8 − 6 + 2 ⎥
⎢ ⎥
⎣ − 1 + 2 − 1 + 2 − 1 ⎦
其中,“1st”“2nd”和“3rd”经过 45 度旋转操作后,可以分别得到 8 个、4 个和 8 个滤波核;“EDGE 3×3”和“EDGE
5×5”进行 90 度旋转操作后,分别可以得到 4 个滤波核.为了将 30 个滤波核尺寸统一为 5×5,在“1st”“2nd”“3rd”
和“EDGE 3×3”的四周填充 0.相比于只使用一个滤波核的高通滤波器层(HPF 层)进行预处理操作 [10,13,14,16] ,30 个
SRM 滤波核组合了 7 种不同的滤波残差模型,从而 SRM 滤波器进行预处理操作时能够更有效地提取出隐写图
像中的噪声残差分量,从而有利于后续卷积操作进行特征提取和学习,加快模型在训练过程中的收敛速度.

2.3 卷积层
第一个卷积模块中,卷积层使用 32 个滤波器,卷积核大小为 3×3.卷积层的输入为预处理进行噪声残差分量
提取后的噪声残差图,从第一个卷积层开始提取噪声残差中的隐写特征,并生成用于下一阶段计算的特征图.卷
积操作的计算公式如下所示:
X = l j X l− 1 * K + ∑ ij l B l j (9)
i
i
l
l
其中,*表示卷积计算, X 表示第 l 层的第 j 张特征图, X l− 1 表示第 l−1 层的第 i 张特征图, K 表示用来连接第 l
j
j
ij
l
层的第 i 张输入特征图和第 j 张输出特征图的卷积核, B 表示第 l 层的第 j 张特征图的偏置量.
j
由于池化层是一个下采样的过程,在减小特征图大小的同时,会使得部分隐写特征信息丢失,从而降低后续
卷积操作进行特征提取的性能,收敛速度变得缓慢,从而影响模型最终的分类准确率.因此,在本文的网络结构
中取消了池化层的使用.但是为了减小卷积层的特征图大小,同时降低卷积操作的计算量,本文通过设置卷积层
中卷积核的大小和步长来完成.因此,本文第 1 个卷积层的步长设为 2,经过第 1 个卷积层的卷积操作后的特征
图大小为 32×127×127.
Shen-Net 中的第 2 个卷积层设置与第 1 个卷积层相同,也是使用了 32 个卷积核为 3×3 大小的滤波器.本文
通过多组实验验证了与第一层使用同样数量卷积核,训练模型能够得到更好的检查效果,实验结果见表 1.检测
算法为 S-UNIWARD,隐写强度为 0.1bpp.实验中,对 3 个卷积层设置 3 组不同的卷积核数量,实验结果分别给出
了隐写图像(stego)、原始图像(cover)的检测正确率和平均检测正确率,本文根据实验结果选取了最优的参数设
置.表 1 中最后一组实验取消了第 2 个卷积层,在第 1 个卷积层后直接进入大卷积核进行卷积操作,实验结果表
明,其他使用 3 个卷积层的模型检测性能更好.Shen-Net 中进行第 2 个卷积操作后,输出特征图的大小为
32×63×63.
Table 1 S-UNIWARD 0.1bpp detection accuracy of different convolution kernel settings
表 1 S-UNIWARD 算法 0.1bpp 不同卷积核设置的检测准确率
Conv1 Conv2 Conv3 Stego (%) Cover (%) Average (%)
32×3×3 32×3×3 64×62×62 80.88 85.47 83.18
64×3×3 32×3×3 16×62×62 79.94 84.27 82.11
64×3×3 32×3×3 64×62×62 80.23 84.38 82.31
32×3×3 null 64×126×126 79.87 84.07 81.97