Page 288 - 《软件学报》2021年第9期

2912 Journal of Software 软件学报 Vol.32, No.9, September 2021

Table 7 Comparison of low embedding rate detection accuracy of HILL
表 7 HILL 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 84.86% 73.73% −
Yedroudj-Net 61.48% − −
S-CNN 82.87% 70.61% 50.58%
Shen-Net 89.52% 80.32% 70.48%

由 WOW,S-UNIWARD 和 HILL 这 3 种常见的隐写算法下的检测性能可见:本文提出的 Shen-Net 相比于现
有基于卷积神经网络的隐写分析方法,不仅提升了检测正确率,并且在 0.05bpp 这种其他方法难以检测的低嵌
入率下,Shen-Net 同样能够取得较为理想的检测效果.
除了训练模型的检测正确性以外,模型在训练阶段的收敛情况也是评价一个网络的重要指标.loss 值为训
练过程中预测结果与实际结果之间的误差,反映了网络在训练阶段的收敛情况.图 8 展示了 Shen-Net 与其他 4
个网络在训练阶段 loss 值的变化情况,训练集的隐写算法为 WOW,嵌入率为 0.3bpp.根据 loss 曲线能够看出:相
比其他 4 个网络,Shen-Net 在训练阶段能够明显地快速进行收敛.在 30 000 次左右的迭代时,loss 值已基本保持
在极低范围内,而其他网络的 loss 曲线基本都还在收敛阶段,且 loss 值都远远高于 Shen-Net 的 loss 值.

Fig.8 Loss variation of 0.3bpp embedding rate training stage of WOW
图 8 WOW 隐写算法 0.3bpp 训练阶段 loss 变化情况
在卷积神经网络中,模型的训练与测试所耗时间是衡量模型性能重要指标,表 8 展示了本章提出的 Shen-
Net 与对比的 4 个网络在训练与测试阶段所耗费的时间.其中,每个网络在训练阶段的迭代次数都为 20 万次,测
试结果为对一张图像进行检测所耗费时间.
Table 8 Performance during training and testing
表 8 训练与测试的性能比较

训练(迭代 20 万次/h) 测试(一张图像/s)
Pibre-Net 10.5h 1s
Salomon-Net 1.3h 0.1s
Yedroudj-Net 14.5h 2.5s
S-CNN 7.6h 0.7s
Shen-Net 4h 0.4s
Yedroudj-Net 由于其网络深度相对较大,模型的参数较多,因此训练阶段需要耗费 14.5 小时.Salomon-Net
的网络深度为两层卷积结构,网络结构较为简单,且第 1 次卷积层只有一个卷积核,从而模型参数较少,因此训练
阶段只需 1.3 小时即可完成.Shen-Net 与其他 4 个网络相比,在加深网络层数的基础上,通过对卷积核的设计对
模型参数数量进行了一定限制,因此训练阶段所耗费时间较为适中.测试阶段所耗时间与训练时间相对应,
Yedroudj-Net 运行时间同样为最长,Salomon-Net 只需 0.1 秒即可完成,而 Shen-Net 对单张图片的测试时间为 0.4