【轻量级隐写分析模型( 二 )】前言目前_傻大方

按关键词阅读：

特征提取层计算出图像的残差信息后，模型需要从残差中进一步提取可用于分类的特征信息。基于领域知识，在特征提取层中，本文设计了五个卷积层用于提取特征，其结构如下图所示。
轻量级隐写分析模型文章插图
特征提取层的五个卷积层具有相同的结构。每个卷积层依次由卷积运算，非线性激活操作和池化操作这三部分组成。在卷积运算中，均使用大小为3 x3 的卷积核和步长为1 的卷积操作，从而更充分地提取特征图的隐写信息。在非线性激活操作中，均使用ReLU 非线性激活函数，从而有利于抽象特征的表达。最后，使用了池化操作，这既减少了参数数量，降低了参数规模，又通过特征图中多个元素的统计特性提取隐写特征，大大提高了网络的性能。
分类层分类层主要由3个全连接层组成。分类层将前面网络层的特征映射到样本标签空间中，然后根据特征将图像划分为隐写图标签或载体图标签。
全连接层通常具有大量的参数。如果训练样本不够大，则模型容易出现过拟合的情况。因此有学者提出dropout的方法，它通过随机删除全连接层的部分神经元很好地解决了过拟合问题，大大地提升了模型的泛化能力。所以本文加入dropout到前两个全连接层，设置参数为0.5 ，这样在全连接层中，每个神经元都有0.5的可能性被删除。
在最后一个全连接层中，本文使用了softmax激活函数计算出特征属于隐写图和载体图的概率，概率大的即为最终的判别结果。
轻量级隐写分析模型测试与分析数据集+参数数据集为BOSSbase ，其中包含10000张大小为512×512的载体图像。考虑当前计算机算力问题，将图像大小调整为256×256 。本文还使用不同的隐写术算法来生成不同的载密图像集。
本文选择8000对载体载密图像作为训练集，选择1000对载体载密图像作为验证集，余下的1000对载体载密图像作为测试集。设置学习率为0.05 ，并使用Adadelta梯度下降优化器。除了预处理层，所有其他卷积核均使用Xavier初始器作初始化。设置dropout的参数为0.5 。实验平台是装载有TITAN X系列GPU的ubuntu16.04系统。
结果分析探究最佳的轻量级隐写分析模型。依据现有领域知识，本文额外设计了四个对轻量级隐写分析模型进行微调的方案，力图找到最佳的轻量级隐写分析模型，详细说明如下。
方案1：修改预处理层的卷积核。对预处理层卷积核的约束可能会抑制隐写特征的学习。因此，仍然使用SRM的滤波器作为卷积核，但不约束卷积核的值。则预处理层的卷积核如下图所示。
轻量级隐写分析模型文章插图
方案2：修改池化层。模型中的平均池化操作方法是计算特征图中局部区域像素的平均值，这极有可能削弱隐写特征。因此，本方案修改平均池化为最大池化，意图凸显隐写特征的影响。
方案3：修改激活函数。现有研究和实验表明，如果网络没有出现梯度消失的现象，则在网络的浅层中部署TanH激活函数会具有更好的性能。所以本方案在网络第一层使用TanH替换掉ReLU 。
方案4：添加批量正则化操作。适当的批量正则化操作可以有效降低梯度爆炸现象出现的可能性，从而提高网络的泛化能力。本方案将批量正则化操作添加到特征提取层的五个卷积层中。
下表呈现了所有方案的隐写分析效果，使用的隐写算法为WOW ，载荷为0.4 。分析可知，当前轻量级隐写分析模型（LCR-CNN）仍然具有更高的隐写检测准确率，因此本文使用它做下一步的研究。
文章插图
评估和比较的隐写性能。下表呈现了轻量级隐写分析模型LCR-CNN的隐写分析性能。本实验使用了三种隐写算法，分别为HUGO、WOW和J-UNIWARD 。分析可知，当信息嵌入率增大时，隐写检测准确率越高。
文章插图
为了进一步衡量模型的性能，本文将其与经典模型GNCNN和传统模型SRM进行了性能的比较。在仿真中，本文使用了有效载荷为0.4的WOW和HUGO算法，结果如下图所示。
文章插图
可以看出，模型的隐写检测准确率与SRM 几乎相同，但远高于GNCNN 。
分析模型的复杂性。本文轻量级隐写分析模型LCR-CNN的参数量为63211 ，与GNCNN模型的参数量具有相同的量级。经分析， LCR-CNN和GNCNN的网络层数相同，但是LCR-CNN的卷积核大小为3×3 ，小于GNCNN的5×5的卷积核大小。因此， LCR-CNN能够充分提取隐写特征信息，同时保持架构轻、体积小、速度快的特点，是一个典型的轻量级网络模型。