CIS-Net：一种通过覆盖图像抑制实现空间图像隐写分析的新颖CNN模型
多媒体
2019-12-16 v1 图像与视频处理
摘要
图像隐写分析是一种特殊的二分类问题，旨在区分自然覆盖图像与疑似载密图像，后者是将极弱秘密消息信号嵌入封面图像所得的结果。如何有效抑制覆盖图像内容，从而使覆盖图像与载密图像的分类更加容易，是该任务的关键。近期研究表明，卷积神经网络（CNN）通过学习覆盖图像与其载密图像之间的判别性特征，能非常有效地检测隐写术。已有若干深度CNN模型通过将图像隐写/隐写分析的领域知识融入网络设计而提出，并在标准数据库上取得了最先进的性能。遵循这一方向，我们提出了一种称为覆盖图像抑制网络（CIS-Net）的新颖模型，该模型通过在模型学习中尽可能抑制覆盖图像内容来提升空间图像隐写分析的性能。本文提出了两个新颖层：单值截断层（STL）与亚线性池化层（SPL）。具体而言，STL在输入值超出预定义区间时将其截断为同一阈值。理论上，我们已证明STL能够在 deteriorate 有用信息的情况下降低输入特征图的方差。对于SPL，它利用亚线性幂函数抑制由覆盖图像内容引入的大值元素，并通过平均池化聚合微弱嵌入信号。大量实验表明，所提出的配备STL和SPL的网络在具有挑战性的隐写算法上取得了优于富模型分类器与现有CNN模型的性能。
引用
@article{arxiv.1912.06540,
title = {CIS-Net: A Novel CNN Model for Spatial Image Steganalysis via Cover Image Suppression},
author = {Songtao Wu and Sheng-hua Zhong and Yan Liu and Mengyuan Liu},
journal= {arXiv preprint arXiv:1912.06540},
year = {2019}
}