利用噪声残差卷积神经网络进行空间域取证视频隐写分析
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
提出一个基于深度卷积神经网络的视频隐写模型,通过利用帧差的高度稀疏性,显式地考虑帧间残差,并分别设计两个支路来分别隐藏帧间差和原始秘密帧,得到比传统方法更好的结果。
Jun, 2018
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
通过滑动窗口检测算法和卷积神经网络,本文提出了一种基于多通道卷积滑动窗口的实时 VoIP 隐写分析方法。通过设计多个特征提取通道和使用前向全连接网络进行特征融合,实现对 VoIP 信号中的隐写信息的统计分析,检测能力表现出优异的低嵌入率性能和几乎实时的检测效率。
Feb, 2019
本文研究了基于图像噪声残留的局部描述符在图像取证领域,如伪造检测和定位方面的应用。通过将这种基于残留的描述符类看作简单的受约束的卷积神经网络(CNN),我们在相对较小的训练集上进行微调,松弛约束,获得了与传统检测器相比显著的性能提升。
Mar, 2017
本文提出了一个基于深度学习神经网络的方法来自动识别监控视频中的暴力行为,具有很高的识别精度。该方法采用卷积神经网络和长短时记忆网络,能够捕捉到视频中局部的时空特征,实现对局部运动的分析,并通过对相邻帧的差异计算来增强所提出方法的识别功能。实验证明,该方法表现优于现有的同类方法,具有广泛的研究价值。
Sep, 2017
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
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。
Nov, 2015
本文提出了一种基于卷积 LSTM 的深度学习模型(CLRNet),利用序列帧输入方法检测深伪视频中图像间的不自然痕迹,并且使用迁移学习对不同类型深伪视频的识别进行泛化。在 FaceForensics++ 数据集上进行了实验,结果显示我们的模型能够更好地泛化不同类型的深伪视频,相比于之前五种最先进的深伪检测方法,我们的方法表现更优越。
Sep, 2020
本研究提出了一种基于卷积神经网络的方法,适应性地学习鉴别特征以识别典型的图像处理操作,其优于基于手工特征及三个与图像隐写和 / 或取证有关的基于卷积神经网络的方法,且取得了最先进的结果。
Sep, 2017