Nov, 2015

深度学习是一种优秀的隐写分析工具，当不同图像重复使用嵌入密钥时即使存在封面源不匹配的情况下也适用

PDF
TL;DR本研究探讨了卷积神经网络和全连接神经网络在语音隐写分析中的应用，结果表明相较于传统的 Rich Models（RM）集成分类器（EC）方法，如果 CNN 和 FNN 被很好的参数化，其结果更胜一筹，演示了在 clairvoyant 场景下，CNN 和 FNN 相较于 RM 与 EC 的分类错误率降低 16％以上，并且在封面 - 源不匹配情况下表现自然而强大。
steganalysislearning methodologyensemble classifierconvolutional neural networkfeature extraction
发现论文，激发创造
  • 卷积神经网络隐写分析在隐写术中的应用

    本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。

    Nov, 2017

  • 基于 CNN 的隐写术 -- 将机器学习与已有的隐写技术融合

    本文介绍了一种增强隐写术的方法，即通过引入一种名为 SA-CNN 的隐写助手卷积神经网络。实验证明，采用 SA-CNN 生产的隐写图像具有更好的抗隐写分析能力，并且能够适应各种盖媒体的不同特征。

    Apr, 2023

  • 深度学习模型的隐写容量

    研究了机器学习和深度学习模型被用于隐写攻击情景，训练了多层感知器、卷积神经网络和 Transformer 模型进行恶意软件分类，发现模型的隐写容量惊人高，并存在阈值后性能急剧下降。

    Jun, 2023

  • 一种新型带有共享归一化的图像隐写分析卷积神经网络

    该研究探索在图像隐写分析中，基于深度学习的技术，使用批量归一化和共享归一化提高原有模型的性能，并实验证明所提出的共享归一化技术在图像隐写分析中有稳定的表现且优于之前的方法。

    Nov, 2017

  • 关于特定学习模型的隐写容量

    通过测试了包括 LR、SVM、MLP、CNN、LSTM、VGG16、DenseNet121、InceptionV3、Xception 和 ACGAN 等模型，研究确定了可替换学习模型参数中的低位数目，以及各模型的层的隐写容量，在大多数情况下，可替换大部分参数位数，并探讨了研究结果的含义和未来研究的可能方向。

    Aug, 2023

  • 隐写分析的持续学习

    本文提出了一种基于精确的参数重要度估计（APIE）的连续学习方案，用于检测新兴隐写算法，并应用于实际场景中，通过对之前的训练流程中网络参数的重要性进行评估，在训练新的隐写图像数据集的过程中有效并高效地更新其网络参数，从而使得隐写分析模型能够学习新隐写算法的特征模式，而不会明显降低之前隐写算法的检测性能。实验证明，该方案对新兴隐写算法具有良好的扩展性。

    Sep, 2022

  • 以深度嵌入为手段实现极致准确性：人脸识别

    本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

    Jun, 2015

  • 深度学习用于不同数据类型隐写分析的综述

    这篇综述论文提供了基于深度学习的鲁棒隐写分析方法的全面概述，包括图像、音频和视频等各种类型的鲁棒隐写分析，讨论了最常用的深度学习技术，并探讨了更先进的深度学习技术如深度迁移学习（DTL）和深度强化学习（DRL）在提升隐写分析系统性能方面的应用。同时，文中还系统回顾了该领域最近的研究，包括使用的数据集和评估指标，并对基于 DTL 的隐写分析方法及其在不同数据集上的性能进行了详细分析。整篇综述最终讨论了目前基于深度学习的隐写分析研究的现状、挑战和未来研究方向。

    Aug, 2023

  • 针对图像隐写术的端到端训练的 CNN 编码器 - 解码器网络

    这篇论文提出了一种基于卷积神经网络的编码器 - 解码器架构，用于将图像嵌入载体图像作为负载，通过端到端训练来确保最大负载容量和图像质量，并在多个公共数据集（如 MNIST，CIFAR-10，ImageNet，LFW 等）上进行了实证研究，取得了最先进的性能。

    Nov, 2017

  • StegNet: 深度卷积网络实现的超大图像隐写容量

    本文运用深度卷积神经网络和图像隐写术，将安全地嵌入隐藏信息的传统图像隐写术与图像 - 图像隐写术相结合，并成功地将具有巨大负载容量的图像进行隐藏，同时仍然对统计分析具有鲁棒性，通过最小化图像覆盖变化的方法，实现 98.2% 的解码率或 23.57bpp。

    Jun, 2018