Press "Enter" to skip to content

AI最前线:利用孪生网络进行图像隐写分析

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

图像隐写分析是一种检测图像是否嵌入秘密信息的技术。最近的研究显示卷积神经网络(CNN)具有强大的图像隐写分析能力。然而,由于隐写信号的特殊性质,以往的工作大多是针对固定尺寸的图像进行检测,当下尚未有良好的CNN模型可以对多尺寸图像的进行隐写分析。作者提出一种不需要重新训练模型参数就可以对多尺寸图像进行检测的CNN方案。其核心思想,是自然图像的噪声在不同子区域之间是相似的,而载密图像在各子区域之间的噪声分布可能会有差异。该算法采用基于CNN的Siamese架构(孪生网络),构建了一种端到端的检测网络。该网络以图像作为输入,然后识别不同图像子区域的噪声之间的关系,最后基于这些噪声输出得到的分类结果。

 

 

在结构上,孪生网络由两个参数共享的对称子网组成,如图1所示,大致可分为预处理和特征提取和融合/分类三个阶段。首先,输入图像的两个子区域分别作为两个并行子网络的输入,通过预处理模块提取各子区域的噪声残差。然后,通过特征提取模块提取子区域噪声的特征。最后的聚合/分类模块包含两个监督信号,分类信息和相似度信息,前者鼓励甄别载体图像和载密图像,后者激励载体图像中不同子区域的特征相似。

 

图2 是展示了孪生网络区分一对载体图像和载密图像的实例。图中列(a)是输入图像,包括一对载体图像和载密图像;列(b)是将输入分割为左右两个子区域;(c)是子区域经过第一个卷积层的特征图;(d)是最后卷积层的特征图;(e)是两个子网络的输出可视化结果。从图2可以看出在经历第一次卷积操作载体图像和载密图像的差异极小,但是在最后一个卷积层二者的差异已经十分明显;最后输出的可视化图中可以看出载体图像左右两个子区域输出分布十分类似,而载密图像输出分布出现了较大程度的发散。

 

 

图2 图像在不同层上的视觉特征图

 

该算法的性能和当前最优的SRNET匹敌,具体的实验结果如下表:

 

 

论文信息:You Weike, Hong Zhang, and Xianfeng Zhao. “A Siamese CNN for image steganalysis.” IEEE Transactions on Information Forensics and Security 16 (2020): 291-306.

 

声明:本文来自隐者联盟,版权归作者所有。文章内容仅代表作者独立观点,不代表安全内参立场,转载目的在于传递更多信息。如有侵权,请联系 [email protected]

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。