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