論文《Deep learning for steganalysis via convolutional neural》解讀

概述

這篇文章主要針對隱寫分析提出了GNCNN，可以自動學習特徵然後進行分類，與其他圖像處理工作一樣，傳統的方法需要人工提取特徵再進行分類。文章在三種最新的空域隱寫算法（HUGO，WOW，and S-UNIWARD）上證明了該模型的有效性。

模型結構

該模型主要由三部分構成：Image Processing Layer、Convolutional Layer 和Classification Layer。

Image Processing Layer

本文在圖像處理層使用預先定義的高通濾波器進行濾波操作。通常添加到cover的高頻隱寫特徵是一種非常弱的信號，受圖像內容影響很大。通過高通濾波操作，旨在增強弱隱寫信號並減少圖像內容的影響。
$R=K*I ,$
其中I表示image，R表示高通濾波操作後的image，K爲：

Convolutional Layer

這裏主要亮點就是每層卷積用高斯函數作爲激活函數，作者希望網絡capture的特徵是prediction error，那麼從分類的角度來說，希望prediction error爲0的那些數據，也就是所謂的cover signal，在activation之後，能夠和那些有stego 的信號輸出差異更大。那麼Gaussian function就是一個很好的選擇，因爲它只有在0附近取值較大，對應於cover，其他取值較小。

pooling階段，用了avg pool 而不是 max pool，因爲作者認爲max pool只提取了最重要的feature，因此會丟失信息，而steganalysis任務信號比較弱，可能受影響，因此用了avg pool。