使用在 CNN 与 SRM+EC 间选择合适隐写分析器的准则改进空域盲隐写分析
多媒体
2017-01-10 v2
摘要
传统的 state-of-the-art 图像隐写分析方法通常由一个基于丰富图像模型提供的特征训练的分类器组成。由于特征提取和分类步骤都完美体现在称为卷积神经网络的深度学习架构中，不同的研究尝试设计基于 CNN 的隐写分析器。Xu 等人设计的网络是首个具有竞争力的 CNN，其与空间丰富模型和集成分类器的组合提供了同等量级的检测性能。在这项工作中，我们提出了一种准则，为给定的输入图像选择 CNN 或 SRM+EC 方法。我们的方法使用 Tensorflow 计算平台，在三种不同的空域隐写算法：S-UNIWARD、MiPOD 和 HILL 上进行了研究，并展现出优于任何单一方法的检测能力。此外，由于 SRM+EC 和 CNN 均仅在单一嵌入算法（即 MiPOD）上训练，所提出的方法可被视为一种盲隐写分析方法。在盲检测中，对于 BOSSBase 上 0.4 bpp 的嵌入率，S-UNIWARD、MiPOD 和 HILL 的错误率分别为 16%、16% 和 17%。对于 0.1 bpp，相应的错误率分别为 39%、38% 和 41%，且始终优于 SRM+EC 提供的结果。
引用
@article{arxiv.1612.08882,
title = {Improving Blind Steganalysis in Spatial Domain using a Criterion to Choose the Appropriate Steganalyzer between CNN and SRM+EC},
author = {Jean-Francois Couchot and Raphaël Couturier and Michel Salomon},
journal= {arXiv preprint arXiv:1612.08882},
year = {2017}
}