Depth-wise separable convolutions and multi-level pooling for an efficient spatial CNN-based steganalysis

TIFS2019
这是来自北邮的一篇论文
论文地址
GitHub地址 https://github.com/niefengxxx/SepNet
但是GitHub上只有一个py文件两个npy文件，感觉量超少诶。

Zhang, Ru, et al. “Depth-wise separable convolutions and multi-level pooling for an efficient spatial CNN-based steganalysis.” IEEE Transactions on Information Forensics and Security 15 (2019): 1138-1150.

Zhu-Net是一个隐写分析网络。
长期以来，隐写和隐写分析相互对抗。隐写术尽可能地将秘密信息隐藏到一个特定的cover image，且尽可能地减少对cover image的影响，使得cover image在视觉质量和统计特征上尽可能接近原始图片。而隐写术利用信号处理和机器学习的理论，分析隐写图像和cover（载体图像）之间的统计差异，通过增加特征等方式提高检测精度。
在此之前，已经有诸多隐写网络的存在，比如XU-Net，Ye-Net等。这些隐写网络的目的都是进行一个二分类，区分隐写图像和正常图像。

说到图像分类就不得不说到表示学习，特征提取。
隐写图像可以看做是一个正常的图像信号，叠加上一个隐写的噪声信号。这里可以有一个先验知识，也就是隐写术的基本要求。隐写术要求隐写信息的嵌入尽量不损失图像的质量，这也就说明图像的隐写信号往往是嵌入到图像的边界或纹理位置，因为这部分的像素改变会对图像的损失最小。还有就是考虑到提取方式，比如利用差分提取隐写信息等，这些算法会根据相邻像素的关系嵌入隐写信息。这部分因隐写方式而异。

网络结构

整体结构如下。
为了保证隐写网络提取的效果，网络前期并不使用平均池化操作。
此外还有一些细节内容。

1 预处理层

因为图像可以看做是一个原始信号叠加上一个隐写噪声信号。所以在网络之前对图像进行预处理，使用滤波器提取它的残差信号，也就是提高信噪比SNR（隐写信号比原始图像的信号），存在必要。
首先是使用高通滤波器SMR，这是5X5的卷积核，SMR是在Rich models for steganalysis of digital images这篇论文中提出的，其作用就是提取隐写噪声，过滤原始图片信息。
此外还有3X3的，通过学习获得的卷积核。这是通过极大化卷积核的残差实现的。

2 可分离的卷积

为了更好利用残差信息，使用可分离卷积，同时还能够减少参数量。
这里假设各个通道的残差信息是相互独立的。这个假设是合理的。这里也没必要进行多通道信息的融合。因此使用分离的卷积，对由高通滤波器生成的各个特征图进行单独卷积。
这里还加入了ABS层，ABS绝对值激活函数，这是为了学习残差信号中的对称性。
同时还使用了跳接。

3 SSP特征金字塔

对于一些网络会使用GAP,全局平均池化，来降低维数，减少参数量，加速网络训练。但是这个的缺陷就是会丢失局部信息。对于一般的网络来说，局部信息是不重要的，网络想要提取的是更加高层的语义信息。
但是对于一个隐写网络来说，局部信息才是重要的。因为水印的信息是往往是通过【差异】而存在的。而一开始水印信息的提取也是通过高通滤波器。
而平均池化，则相当于一个低通滤波器，GAP的操作很明显会损失提取的信息。
因此本文提出使用金字塔池化。金字塔池化通过多尺度的池化操作，能够多尺度地、精细地提取水印信息。

实验结果

使用的数据集为BOSSBase v1.01和BOWS2。
GPU使用的1080Ti（我也想要来一块，啊不，3090）

结论

一个隐写分析网络。使用预处理、可分离卷积、金字塔池化等技术实现了隐写分析。
指出了现有网络结构的输入是直接resize，这可能会损失信息，影响到隐写分析。因此提出展望，给出能够适用任何尺寸图片的隐写分析网络（实际上我想说的是，直接填充或者裁剪不就行了？）
当然对于一个网络来说，提升其泛化性能也是十分重要的。

emmm就这样

Zhu-Net——一个隐写分析网络相关推荐

Efficient feature learning and multi-size image steganalysis based on CNN【Zhu-Net基于高效特征学习与多尺度图像隐写分析】
摘要对于隐写分析,许多研究表明卷积神经网络比传统机器学习方法的两部分结构具有更好的性能.然而,仍然有两个问题需要解决:降低隐写分析特征映射的信噪比和对任意大小的图像进行隐写分析.一些算法需要固定大小 ...
基于深度学习的图像隐写分析综述阅读
背景隐写术英文为Steganography. 现有的通信安全保障主要分为加密和信息隐藏:加密主要对秘密信息本身进行操作,但经过特殊处理后的明文更加容易受到第三方的怀疑;而信息隐藏则隐藏秘密数据的存在 ...
YEDROUDJ-NET: AN EFFICIENT CNN FOR SPATIAL STEGANALYSIS【Yedroudj-Net:一个高效的空间隐写分析CNN】
YEDROUDJ-NET: AN EFFICIENT CNN FOR SPATIAL STEGANALYSIS [Yedroudj-Net:一个高效的空间隐写分析CNN] ABSTRACT 在大约10 ...
网络语音流隐写分析全流程 (Steganalysis of VoIP Speech Streams)
欢迎访问我的个人博客:https://hi.junono.com/ AMR隐写数据集地址(Kaggle) 网络语音流隐写分析全流程隐写分析流程介绍: 基本知识 **基于网络语音(VoIP)流的隐写术 ...
Deep Learning Hierarchical Representations for Image Steganalysis【Ye-Net：图像隐写分析的深度学习层次表示】
Deep Learning Hierarchical Representations for Image Steganalysis [Ye-Net:图像隐写分析的深度学习层次表示] Abstract ...
bp神经网络分类器c语言,基于BP神经网络的隐写分析分类器设计
[ 摘要 ] 设计并实现了基于BP神经网络的隐写分析分类器.首先对图像库中的图像进行格式变换,并使用扩展修改方向和钻石编码两种隐写方法进行不同嵌入率的隐写嵌入,然后计算载体图像和载密图像中平面域.D ...
Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review 深度学习在数字图像隐写分析中的应用：系统综述
Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review (深度学习在数字图像隐写分析中的应用:系统综述 ...
数字图像隐写术之JPEG 隐写分析
目录问题描述一.程序功能 1.程序功能描述(task1-task5为五个主程序,其余为辅程序) 2.程序输入 3.程序输出二.隐写分析原理三.程序设计四.总结讨论及探索五.附录代码问题描 ...
matlab 隐写分析,RS隐写分析.ppt
RS隐写分析,rs隐写分析matlab,rs隐写分析算法,隐写分析,图像隐写分析matlab,图像隐写分析方法,rs网络分析仪,rs分析法,rs触发器分析,rs网络分析仪怎么用 RS analysis ...
从0开始学杂项第二期：隐写分析(1) 直接附加
Misc学习(二) - 隐写分析:直接附加在上一期,我主要谈了谈对于杂项的一些浅薄理解,这一期我们正式开始对于CTF杂项的学习,我们首先学习的是杂项中最常考察的一项--隐写分析. 这篇文章的大部分来 ...

Zhu-Net——一个隐写分析网络