隐写分析论文解读

Strategy to improve the accuracy of convolutional neural network architectures applied to digital image steganalysis in the spatial domain [PeerJ]

由于隐写分析的深度学习技术已经超越了传统的两阶段方法，已经提出了几种 CNN 架构来解决隐写分析这一任务，提高了隐写图像的检测精度。改进点多种多样，但尚不清楚哪些计算元素是相关的。对此，篇一提出了一种在训练期间提高准确性、收敛性和稳定性的策略。该策略涉及包含 Spatial Rich Modelsfilters、Spatial Dropout、Absolute Value layer 和 Batch Normalization 的预处理阶段。使用该策略提高了三个隐写分析 CNN 和两个图像分类 CNN 的性能，准确率有所提升，同时将训练时间减少到不到 6 小时，并提高了网络的稳定性。

使用模型：隐写分析模型Xu-Net、Ye-Net、Yedroudj-Net。图像分类模型：VGG16 、 VGG19

改进策略：

1、输入图像大小调整为 256 × 256

2、所有 SRM 滤波器都通过卷积应用于预处理块，然后是3 × TanH 激活，修改后的 TanH，范围为 (-3,3)。

3、从第二个开始的卷积块中应用空间丢失。

4、卷积块中的激活使用 Leaky ReLU。

5、在卷积块中激活后添加绝对层 (ABS)。

6、卷积块中绝对层之后的批量归一化层 (BN)

7、在第一个和最后一个 BN 之后，最后一层的连接层有三重输入。

8、分类阶段，如图 所示，由三个全连接层（分别为 128、64 和 32 个单元）组成，具有 Leaky ReLU 激活和 Softmax 激活功能。该阶段位于全局平均池化层之后，在所有架构中都是相同的。

9、优化器使用随机梯度下降。