Structural Design of Convolutional Neural Networks for Steganalysis
论文摘要
研究表明，卷积神经网络可能不适合于图像隐写分析。Xunet考虑了传统隐写分析的领域知识设计了 一种新的卷积神经网络的结构，在网络中采用第一层卷积中所产生的特征值的绝对值，来方便与改进后续层的统计建模(什么意思不太懂)。在网络的前几层使用TanH**函数，后几层采用的卷积核来防止过拟合。
其具体的网络结构如下图所示：
对网络的多个层的功能进行具体的解释是困难的，所以只对上述结构的HPF和Group 1进行功能解释。HPF采用了论文GNCNN中所采用的高通滤波器，放大了Input image之中的噪声。Group 1中的卷积层将HPF层中产生的噪音残差作为特征值输入。为了帮助该卷积层的统计建模，这个卷积层中禁用默认的偏差学习，使得特征映射相对于零是对称的(具体为啥也不知道）。卷积层后是ABS层来丢弃特征值中的符号，ABS层的输入随后被输入到BN层中使得通过BN的输出能够落到TanH函数中梯度较大的区域，避免出现梯度消失的问题。
实验设置与效果
Xunet对两种隐写算法进行了隐写分析分别是S-UNIWARD算法和HILL算法，两个算法的嵌入率分别是0.1和0.4bpp。同时与传统的隐写分析算法SRM做了比较。算法使用的数据集为的BOSSbase数据集。
算法运行效果及与SRM算法的比较如下表，CNN代表Xunet：