根据取证特征设计训练集进行隐写分析,解决Cover-source mismatch问题

Facing the Cover-Source Mismatch on JPHide using Training-Set Design 论文阅读

1. Abstract

本论文讨论了图像处理流水线(image processing pipeline)对Jpeg隐写中原图片源不匹配(cover-source mismatch)问题的影响,并提出一个取证和隐写分析结合的方法来解决CSM问题.

即，先训练一个多分类器来识别IPP,再选择该IPP对应的训练集来训练隐写分析的分类器.

实验结果表明,取证对隐写没有影响(immune), 论文提出的利用了IPP信息的隐写分析的效果比传统的通过扩大数据源的方法要好, 同时, 实验结果接近对相同来源的数据进行训练得到的分类器结果.

2. 名词解释

2.1 Cover-source Mismatch

简单介绍一下BOSS比赛.

BOSS是一个隐写分析比赛, 在BOSS比赛期间,CSM的现象很明显.

训练集: 一组原图像和隐写图像对(18,000张), 未压缩, 大小512 × 512, 来自7个不同相机的灰度图像.

测试集:一个1000个图像的测试集.

但是,测试集中的一些图像来自未在训练集中使用的相机. 因此, 隐写分析在训练步骤期间得到的图像模型与测试集的图像模型之间遇到不一致. 这种不一致被称为原图片源不匹配.

其实就是训练集和测试集样本分布