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。
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。