33、利用分割子图像提高卷积神经网络隐写分析的测试精度

利用分割子图像提高卷积神经网络隐写分析的测试精度

1. 引言

隐写术是通过将秘密信息隐藏在公共媒体载体（如图像）中来隐藏信息通信的技术。而隐写分析则是隐写术的对抗技术，旨在检测载体介质中是否存在秘密信息。当前的隐写分析方法主要分为两类：
- 传统隐写分析方法：主要基于手工提取的特征和机器学习分类器。
- 基于深度学习技术的隐写分析方法：随着大数据和计算性能的发展，深度学习技术被应用于隐写分析，卷积神经网络（CNN）是典型的深度学习模型之一，它能够学习图像的多层次抽象表示，已被证明是一种有效的隐写分析工具。

尽管使用CNN模型在隐写分析方面取得了显著进展，但提高检测器的测试精度仍是研究人员的追求。本文提出了一种利用分割子图像来提高CNN隐写分析测试精度的方法。在训练阶段，CNN在完整图像的训练集上进行训练；在测试阶段，使用固定的滑动窗口将整个测试图像分割成子图像，每个子图像分别输入到训练好的CNN中得到子决策，最终决策通过多数投票获得。

2. 相关工作

为了更好地理解本文提出的方法，先来回顾一下相关的CNN架构和细节。

2.1 CNN架构

CNN结构主要由两个模块组成：
- 卷积模块：将图像转换为特征向量。
- 线性分类模块：将特征向量转换为每个类别的输出概率。

具体的网络配置如下表所示：
| Layer | Filter size | #Filters | Stride | #Output maps |
| — | — | — | — | — |
| L1 HPF | 5 × 5 × 1 | 1 | 1 | 1 |