面向隐写算法失配的小样本图像隐写分析方法OA北大核心CSTPCD
在实际的隐写分析应用场景中,待测隐写算法大多是未知的,难以获得足量带标记的样本,从而导致隐写算法失配问题.为提升在隐写算法未知且仅有少量标记图像时隐写分析的检测性能,提出新型隐写分析网络BTONet.首先,提出结合瓶颈注意力机制的改进SRNet,即BAMSRNet,作为BTONet的特征提取模块,从空间维度和通道维度对纹理区域进行关注,解决小样本环境下直接使用SRNet会导致检测性能不佳的问题,在带标记图像数量极少的情况下提取有辨识性的特征.然后,将正交投影损失和交叉熵损失有机结合,从特征和预测标签2个角度强化不同类别之间的正交性,提升分类模块的性能.最后,在隐写算法失配的情况下,将BTONet与4个经典空域深度隐写分析算法进行检测准确率、训练时长、测试时长和算法稳定性等方面的比较,并进行消融实验.实验结果表明:相较于目前先进的基于深度学习的隐写分析方法,BTONet在小样本环境下能够取得更优的检测性能,检测性能提升了1.02%~10.35%;同时取得了极佳的稳定性,将检测准确率方差降低至其他隐写算法的1/60~1/20.
赖鸣姝;翁韶伟;田华伟;
北京印刷学院信息工程学院,北京102600福建理工大学福建省大数据挖掘与应用重点实验室,福州350108 福建理工大学计算机科学与数学学院,福州350108中国人民公安大学公安情报研究中心,北京100038
计算机与自动化
隐写分析瓶颈注意力机制正交投影损失小样本学习
《北京交通大学学报》 2024 (002)
P.90-101 / 12
国家自然科学基金(61972405,62071434,62262062,61872095);福建省杰出青年科学基金(2020J06043)。
评论