論文摘要
研究表明，卷積神經網絡可能不適合於圖像隱寫分析。Xunet考慮了傳統隱寫分析的領域知識設計了 一種新的卷積神經網絡的結構，在網絡中採用第一層卷積中所產生的特徵值的絕對值，來方便與改進後續層的統計建模(什麼意思不太懂)。在網絡的前幾層使用TanH激活函數，後幾層採用的卷積核來防止過擬合。
其具體的網絡結構如下圖所示：
對網絡的多個層的功能進行具體的解釋是困難的，所以只對上述結構的HPF和Group 1進行功能解釋。HPF採用了論文GNCNN中所採用的高通濾波器，放大了Input image之中的噪聲。Group 1中的卷積層將HPF層中產生的噪音殘差作爲特徵值輸入。爲了幫助該卷積層的統計建模，這個卷積層中禁用默認的偏差學習，使得特徵映射相對於零是對稱的(具體爲啥也不知道）。卷積層後是ABS層來丟棄特徵值中的符號，ABS層的輸入隨後被輸入到BN層中使得通過BN的輸出能夠落到TanH函數中梯度較大的區域，避免出現梯度消失的問題。
實驗設置與效果
Xunet對兩種隱寫算法進行了隱寫分析分別是S-UNIWARD算法和HILL算法，兩個算法的嵌入率分別是0.1和0.4bpp。同時與傳統的隱寫分析算法SRM做了比較。算法使用的數據集爲的BOSSbase數據集。
算法運行效果及與SRM算法的比較如下表，CNN代表Xunet：
