Page 286 - 《软件学报》2021年第9期

2910 Journal of Software 软件学报 Vol.32, No.9, September 2021

(a) “1st”之一滤波结果 (b) “SQUARE 5×5”滤波结果
Fig.6 Partial noise residual image outputed from the preprocessing layer
图 6 预处理层输出的部分噪声残差图

Fig.7 32 feature maps outputted from the first convolutional layer
图 7 第 1 个卷积层输出的 32 个特征图

表 2 中展示了在 WOW 隐写算法下,嵌入率为 0.5bpp,0.4bpp 和 0.3bpp 这 3 种高嵌入率时,现有基于卷积神
经网络的隐写分析方法 Pibre-Net [10] 、Salomon-Net [11] 、Yedroudj-Net [19] 和 S-CNN [13] ,以及本文提出的 Shen-Net
的检测正确率.表 3 展示了 WOW 隐写算法在嵌入率为 0.2bpp、0.1bpp 和 0.05bpp 这 3 种低嵌入率下的检测结
果的对比,表中“−”表示该模型在训练阶段未收敛.
Table 2 Comparison of high embedding rate detection accuracy of WOW
表 2 WOW 隐写算法高嵌入率检测准确率对比
Payload(bpp) 0.5 0.4 0.3
Pibre-Net 93.63% 88.43% 81.54%
Salomon-Net 95.63% 93.73% 90.35%
Yedroudj-Net 77.80% 75.18% 69.86%
S-CNN 94.80% 92.41% 88.16%
Shen-Net 97.41% 96.52% 93.44%
Table 3 Comparison of low embedding rate detection accuracy of WOW
表 3 WOW 隐写算法低嵌入率检测准确率对比
Payload(bpp) 0.2 0.1 0.05
Pibre-Net − − −
Salomon-Net 84.57% 73.86% −
Yedroudj-Net 67.24% − −
S-CNN 81.76% 64.53% 51.22%
Shen-Net 89.05% 78.65% 66.55%