基于卷积神经网络的低嵌入率空域隐写分析
作者:
作者单位:

作者简介:

沈军(1993-),男,硕士,主要研究领域为多媒体信息安全.
秦拯(1969-),男,博士,教授,博士生导师,CCF专业会员,主要研究领域为数据安全与隐私保护,云计算,大数据,机器学习.
廖鑫(1985-),男,博士,副教授,博士生导师,CCF高级会员,主要研究领域为多媒体安全,人工智能安全,数字取证,密码学.
刘绪崇(1974-),男,博士,教授,主要研究领域为信息网络安全,网络犯罪侦查,人工智能.

通讯作者:

廖鑫,E-mail:xinliao@hnu.edu.cn

中图分类号:

TP309

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(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)


Spatial Steganalysis of Low Embedding Rate Based on Convolutional Neural Network
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (61972142, 61402162, 61772191); Hunan Provincial Natural Science Foundation of China (2017JJ3040); Open Project Program of the National Laboratory of Pattern Recognition (201900017); Science and Technology Key Projects of Hunan Province (2015TP1004, 2016JC2012); Open Research Fund of Key Laboratory of Network Crime Investigation of Hunan Provincial Colleges (2017WLFZZC001)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    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.因此设计了一种卷积神经网络结构,使用SRM滤波器进行预处理来获取隐写噪声残差,采用3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,所提出的网络结构对WOW,S-UNIWARD和HILL这3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.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.

    Abstract:

    In recent years, the research of spatial steganalysis based on deep learning has achieved sound results under high embedding rate, but the detection performance under low embedding rate is still not ideal. Therefore, a 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 0.2 bpp, 0.1 bpp, and 0.05 bpp. A step-by-step transfer learning method is also designed to further improve the steganalysis effect under low embedding rate conditions.

    参考文献
    相似文献
    引证文献
引用本文

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.软件学报,2021,32(9):2901-2915

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2019-06-18
  • 最后修改日期:2019-09-23
  • 录用日期:
  • 在线发布日期: 2020-04-21
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号