当嵌入密钥复用于不同图像时，即便存在载体来源失配，深度学习仍是良好的隐写分析工具
多媒体
2018-01-15 v2 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
自 2010 年 BOSS 竞赛以来，大多数隐写分析方法使用一种包含两步的学习方法：特征提取（例如富模型（RM））用于图像表示，以及使用集成分类器（EC）用于学习步骤。2015 年，Qian 等人表明，采用联合学习和计算特征的深度学习方法对隐写分析非常有前景。在本文中，我们跟进 Qian 等人的研究，并表明由于内在的联合最小化，来自卷积神经网络（CNN）或全连接神经网络（FNN）的结果（如果参数设置良好）超越了传统的 RM 与 EC 的使用。首先，进行了大量实验以找到 CNN 的最佳“形状”。其次，在透视场景下进行了实验，以将 CNN 和 FNN 与 RM 加 EC 进行比较。结果表明，使用我们的 CNN 或 FNN，分类误差减少了超过 16%。第三，还在载体来源失配设置下进行了实验。结果表明 CNN 和 FNN 对该失配问题天然鲁棒。除实验外，我们提供了关于 CNN 内部机制的讨论，并与一些先前阐述的观点建立联系，以理解我们所获得的令人印象深刻的结果。
引用
@article{arxiv.1511.04855,
title = {Deep learning is a good steganalysis tool when embedding key is reused for different images, even if there is a cover source-mismatch},
author = {Lionel Pibre and Pasquet Jérôme and Dino Ienco and Marc Chaumont},
journal= {arXiv preprint arXiv:1511.04855},
year = {2018}
}
备注
IS&T. Media Watermarking, Security, and Forensics, Part of IS&T International Symposium on Electronic Imaging, EI'2016, Feb 2015, San Fransisco, United States