SRNet：Deep Residual Network for Steganalysis of Digital Images

Abstract：
·现有的网络架构包括手工设计元素，比如固定域或限制卷积核
**·关键：有效扩展检测器前端，计算噪声残差（池化会不可避免地压制隐写噪声）
·在频域中有一个较好的结果（相对空域）
·更进一步提升是将选择通道作为第二通道

I.介绍
1）隐写术介绍
2）提出高斯激发函数
通过固定的预处理、高通滤波器（压制信号内容），提高信噪比（signal-to-noise ratio）

前人：
空域：
·Xunet：提出Abs绝对值层和tanh激活函数
·Yenet：tlu激活函数、30个5*5的卷积核进行预处理、选择通道SCA
指出大的训练集及可供替代的适应优化器的优点，特别是adadelta

频域：
在xunet的基础上更改

3）本文介绍
·目标：一个端到端的设计，可用于更大范围，更好地应用于空域/频域隐写术中
·设计包括四层：
a.其中两层包括称为残差shortcuts的结构，用于提升收敛性，学习更高层的参数
b.功能性方面，这个网络包含三个连接部分：
front：学习有效的噪声残差（含7层，其中因为平均池化时平均化了邻近样本，池化无法阻止隐写信号被压制）
middle：压缩特征图
last：一个简单的线性分类器
？…四层分类分清楚

·我们坚定地认为：网络通过端到端的训练可