构建特征变异系数以评估空域隐写检测算法中卷积层的特征学习能力
密码学与安全
2020-10-21 v1
摘要
传统隐写分析方法一般包括特征提取与分类两步。近年来出现了多种基于 CNN（卷积神经网络）的隐写分析算法。其中，CNN 模型的卷积层通常用于提取隐写特征，全连接层用于分类。由于特征提取的有效性严重影响分类精度，设计者一般通过改进卷积层来提升隐写检测精度。例如，卷积层中常见的优化方法包括卷积核、激活函数、池化函数、网络结构等的改进。然而，由于卷积层的复杂性与不可解释性，难以定量分析与比较特征提取的有效性。因此，本文提出变异系数以评估卷积层的特征学习能力。我们选取空域中四种典型的基于 CNN 的图像隐写分析模型，如 Ye-Net、Yedroudj-Net、Zhu-Net 与 SR-Net 作为用例，并通过实验验证变异系数的有效性。此外，依据变异系数，在 CNN 模型全连接层前采用特征修正层优化特征，实验结果表明四种算法的检测精度均获得不同程度的提升。
引用
@article{arxiv.2010.10140,
title = {Constructing feature variation coefficients to evaluate feature learning capabilities of convolutional layers in steganographic detection algorithms of spatial domain},
author = {Ru Zhang and Sheng Zou and Jianyi Liu and Bingjie Lin and Dazhuang Liu},
journal= {arXiv preprint arXiv:2010.10140},
year = {2020}
}