SRNet隐写分析网络模型 (pytorch实现)

最新推荐文章于 2023-12-14 09:17:17 发布

原创

最新推荐文章于 2023-12-14 09:17:17 发布 · 1w 阅读

78 ·

CC 4.0 BY-SA版权

文章标签：

#隐写分析

本文介绍了宾汉姆顿大学Jessica教授团队的SRNet隐写分析模型，包括其网络结构、训练过程和优化策略。重点讲述了模型的组成、超参数调整以及在空域和频域隐写检测中的应用。

该文章已生成可运行项目，

文章目录

一 SRNet隐写分析模型介绍

SRNet模型是宾汉姆顿大学(Binghamton University)Jessica教授团队于2018年提出的图像隐写分析网络模型，应该说是当时SOTA(state-of-the-art)的隐写分析网络模型了，实验证明不论对空域隐写算法还是JEPG频域隐写算法，SRNet都有较好的检测性能。关于SRNet论文、官方代码和中文翻译分别如下所示：

SRNet网络论文地址: https://ieeexplore.ieee.org/document/8470101
SRNet模型官方代码实现(tensorflow): http://dde.binghamton.edu/download/feature_extractors/
SRNet知乎中文翻译: https://zhuanlan.zhihu.com/p/362127299

Jessica团队给出了tensorflow版代码，但是没有pytorch实现，小编斗胆pytorch复现了一版 (没办法，总不能厚脸皮直接用源码吧，好歹这是毕设啊)，嘿嘿，其实最终还是借鉴了源码，毕竟自己复现的效果比不上源码，话说小编的脸皮好像也不是很厚吧，像我这样脸皮薄的很少见了：）

小编自己pytorch版SRNet模型复现: https://github.com/Uranium-Deng/Steganalysis-StegoRemoval

二 SRNet网络概述

SRNet网络结构图如下所示：
在这里插入图片描述
SRNet网络可以分成3段4类（从功能模块上分可以分成3段，从网路结构上可以分成4类），其中4类就是上图中下半部分的Layer Type 1 -Layer Type 4四类，3段对应功能模块，其中第一段是前两个阴影块也就是从第一层到第七层，该部分主要作用是提取之前隐写嵌入时引入的高频噪声；第二段是第三个阴影块，也就是第8层到第11层，该段主要作用是缩小特征图的维度；第三段是从第12层及其之后的所有网络层，主要扮演一个分类器的角色classifier。
关于SRNet网络模型在训练时一些超参数的设置，此处不会赘述。一开始自己按照论文中说明的超参数设置进行训练，得到的结果并不好，虽然在训练集上的accuracy一直在上升，但是在验证集上accuracy震荡的很厉害，得到的结果很不好，难道是自己用的电脑不行？鬼知道！于是小编只能慢慢摸索合适自己的网络参数。
论文中评判网络模型性能时采用的是错误率 Error Rate，计算公式为： $min_{P_{FA}} \frac{1}{2}(P_{FA} + P_{MD})$ ，小编这里没有计算错误率，而是通过混淆矩阵计算准确率（个人认为相比于错误率，准确率更直观）此外原论文中提出引入选择信道 Selection Channel 会使模型的准确率更高，坦白说小编当时没明白选择通道怎么弄的所以就没引入选择通道。
pytorch版本SRNet网络模型如下(更多的代码大家去上面的Github网址下载吧)：

import torch
import torch.nn as nn


class Block1(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(Block1, self).__init__()
        self.in_channels = in_channels
        self.out_channels = out_channels

        self.block = nn.Sequential