深度残差网络隐写分析模型探究

阅读量    1482556 |   稿费 160

分享到: QQ空间 新浪微博 微信 QQ facebook twitter

 

前言

本文提出了一个深度残差网络隐写分析模型SRNet,它巧妙地将残差网络应用于特征提取的过程中,从而有效防止了梯度消失,并取得了很好的隐写检测效果。

 

SRNet

SRNet中R代表“Residual”,它既指隐写分析中的残差特征,也指深度学习中应用快捷连接方式的残差连接层。首先描述SRNet的网络结构,再分别讲解每个组件。

网络结构

上图是SRNet的体系结构。第一到第七层的主要功能是从图像中提取隐写噪声的残差信息,第8到第12层负责降低特征图的维数,最后一层是一个带有softmax激活函数的标准全连接层。

总的来说,卷积层皆使用3×3的卷积核,所使用的非线性激活函数都是ReLU。在第1-7层中都没有加入池化的处理,在第8-11层使用了大小为3×3、步长为2的平均池化操作。在第12层中,将512个大小为16×16的特征图缩减为512维特征向量。随后将这512维特征向量作为全连接层的输入进行隐写特征的分类处理。

SRNet包含两种类型的残差连接层,分别为第3-7层的残差连接层Layer type 2、第8-11层的残差连接层Layer type 3。如下图。

第1、2层的网络层Layer type 1如下图所示,卷积核大小为3×3而不是5×5,因为通过实验观察发现3×3的卷积核具有更好的性能。前两层的目的是将特征图从64维缩减为16维,以节省内存。

第4层的网络层Layer type 4如下图所示,和Layer type3相比,它的特点是应用了全局平均池化的方式处理特征图。

网络结构组件详解

SRNet的关键部分是由第一到第七层组成的隐写噪声残差提取部分。平均池化可被看作一个低通滤波器,它通过弱化相邻像素的嵌入变化程度来增强内容并抑制隐写噪声,这在典型的计算机视觉领域中有利于根据图像内容进行分类,但不利于隐写分析。在隐写分析中,根据隐写噪声进行分类,此时图像内容属于干扰因素。因此,SRNet直到第8层才开始使用平均池化操作,从而避免降低隐写噪声能量情况的发生。

下面详细讲解各组件。

(1)激活函数。除了ReLU,本文还尝试使用了TanH、ELU和SELU等激活函数,但是它们并没有带来性能的提升。简单起见,网络中的所有激活函数均确定为ReLU。注意,Layer type 2和Layer type 3中在快捷连接方式后不使用ReLU激活函数,经实验验证,这样做具有更好的隐写性能。

(2)残差快捷连接方式。为了评估SRNet中快捷方式连接的重要性,本文从Layer type 2和Layer type 3的层中删除了它们,并观察了检测精度的变化。例如,对于0.1和0.2 bpp的HILL,分类准确度的损失约为0.5%;对于0.4 bpnzac,品质因数为95的J-UNIWARD,分类准确度的损失约为1.5%。可见残差快捷连接方式能促进梯度传播,提升隐写性能。

(3)未加入池化操作的网络层。通过实验减少未加入池化操作网络层的数量,同时保持架构的其余部分不变,可发现模型的隐写检测准确率逐渐下降。通过多次实验确定在第一到第七个网络层中取消池化操作,模型具有最好的隐写检测性能。

(4)卷积核的数量。第一层卷积核的数量在JPEG域中比在空间域中影响更大。当在第一层中仅使用32或16而不是64个卷积核时,对于0.4 bpp的HILL的隐写检测误差可以忽略不计,但对于品质因子为75、0.1 bpnzac的J-UNIWARD,隐写检测错误率增加了1%。将卷积核的数量增加到64个以上时没有明显的性能提升。

(5)优化器。本文尝试了多种优化器,包括AdaDelta,Adam,Adamax,最终选择了Adamax,因为它使得训练过程中梯度能更快、更可靠地传播和汇聚。

 

实验与分析

数据集+参数

实验使用的数据集是BOSSbase 1.01BOWS2,它们各自包含10000张灰度图像,使用Maltab的imresize函数将灰度图像大小调整为256×256以适应现有计算条件。

提取BOSSbase的4000对载体载密图像和BOWS2的10000对载体载密图像用于训练、提取BOSSbase的另外1000对载体载密图像用于验证、余下的5000对载体载密图像用于测试。

实验另外挑选了ImageNet数据集中的1281167张JPEG图像。对每张大于256×256且JPEG质量因子高于75的图像进行如下处理:解压缩图像到空间域(imread),再裁剪左上方大小为256×256的图像块,转换此图像为灰度图(rgb2gray),并使用品质因数75重新压缩灰度图像为JPEG图像。最终在无损可用的图像中,跳转250000对载体载密图像用于训练,挑选10000对载体载密图像用于验证,挑选余下的40000对载体载密图像用于测试。

使用随机梯度下降优化器Adamax;设置批量样本数为16;设置学习率为0.001;使用He初始器和L2正则化方法初始化卷积核。

结果分析

空域隐写分析

对于空间域,本文测试了在WOW、HILL和S-UNIWARD为0.1-0.5 bpp的隐写分析结果,如下表所示。其中表格数据表示隐写检测错误率,分析可知除了WOW的0.1 bpp之外,SRNet均具有最低的隐写检测错误率。在WOW为0.1时,本文认为SRNet没有明确使用选择通道,而SCA-YeNet通过为WOW使用选择通道而增强了隐写检测性能。

JPEG域隐写分析

对于JPEG域,本文测试了在J-UNIWARD和UED-JC为0.1-0.5 bpnzac、质量因子为75和95的隐写分析结果,如下表所示。可知SRNet的隐写检测错误率远远低于现有网络模型,具有绝对的隐写分析的优势。

分享到: QQ空间 新浪微博 微信 QQ facebook twitter
|推荐阅读
|发表评论
|评论列表
加载更多