一种对抗子领域自适应隐写检测方法技术

本发明专利技术公开了一种对抗子领域自适应隐写检测方法，针对图像隐写检测中的载体源失配问题，本发明专利技术采用对抗学习策略，通过领域判别器D来与隐写特征提取器F进行对抗学习，使得隐写特征提取器F在源领域和目标领域上生成的特征更为相近。子领域自适应分类器Y在分类的同时最小化子领域自适应损失来减小域间相关子领域特征分布的差异。本发明专利技术方法计算简单，容易实现，可以有效地提升基于深度学习的隐写检测模型在载体源失配情况下的准确率，具有实用价值。值。值。

An adaptive steganography detection method against sub domains

【技术实现步骤摘要】
一种对抗子领域自适应隐写检测方法


[0001]本专利技术涉及信息隐藏
，特别是一种对抗子领域自适应隐写检测方法。

技术介绍

[0002]图像隐写术将秘密信息嵌入到图像中，既能隐藏秘密信息内容，又能隐藏通信行为。隐写检测的目的是检测通过隐写术建立的秘密通信。近年来，涌现了许多基于深度学习的高性能图像隐写检测方法。文献(Mehdi Boroumand,Mo Chen,Jessica Fridrich,IEEE Transactions on Information Forensics and Security,14(5),1181
‑
1193)提出了一个端到端的深度残差网络SRNet用于隐写检测。当在一个载体源上训练的隐写检测模型用于检测来自不同载体源的图像时，通常会由于两个载体源之间的不匹配而增加隐写检测模型的检测误差，这被称之为载体源失配问题。在进行隐写检测时要想获得隐写者进行隐写采用的原始载体图像、隐写算法、嵌入率等信息是十分困难的，也就是说训练集和测试集之间的差异是不可避免的，这也是在实际应用中隐写检测模型很难部署的原因。隐写检测中的载体源失配问题和领域自适应问题是十分相似的。领域自适应方法可以分为两类，一种是基于度量的领域自适应方法。这类方法首先将源领域和目标领域特征映射到高维特征空间中，然后基于某种差异度量来衡量高维特征空间中映射间的距离，通过最小化域间分布差异的度量指标实现源领域和目标领域的分布对齐。文献(Ghifary M,Kleijn W B,Zhang M,Pacific Rim International Conference on Artificial Intelligence,2014:898
‑
904)提出了领域自适应神经网络(Domain adaptive neural network,DaNN)，将最大均值差异(Maximum mean discrepancy,MMD)度量引入前馈神经网络模型。其通过训练加在特征层后的MMD适配层以减少域间特征的分布不匹配，后续的研究大多数都基于其思想展开。而另一种方法则通过选择一种对抗性损失来最小化领域间距离，学习一种既能进行分类又不能区分是哪个领域的表示。文献(Ganin Y,Ustinova E,Ajakan H,et al.The Journal ofMachine Learning Research,2016,17(1):2096
‑
2030.)最先在领域自适应中加入了对抗机制，通过与领域判别器进行对抗，得到域间通用的特征。在这项工作中，网络的学习目标是：提取后的特征尽可能使分类器对样本进行正确分类，同时使得判别器无法区分样本是来自源领域还是目标领域。对于上述两种领域自适应方法，仅使用对抗学习的领域自适应方法不足以将域间特征分布的距离最小化，而仅使用最小化度量的方法又缺失了对域无关特征的学习。针对图像隐写检测中的载体源失配问题，本专利技术对测试集信息加以利用，使用领域自适应方法来解决载体源失配问题，将训练集数据作为源领域，将测试集数据作为目标领域，通过最小化源领域与目标领域之间的特征分布差异来提高隐写检测模型在目标领域的检测性能。

技术实现思路

[0003]为克服现有技术的以上不足，提升隐写检测模型在失配情况下的准确率，本专利技术提出了一种对抗子领域自适应方法，能够使得隐写检测模型在源领域和目标领域上生成的
特征更加相似，同时减小域间特征分布差异，提升隐写检测模型在目标领域的分类准确率。
[0004]实现本专利技术的技术方案如下：
[0005]一种对抗子领域自适应隐写检测方法，采用对抗学习策略，通过领域判别器D来与隐写特征提取器F进行对抗学习，使得隐写特征提取器F在源领域和目标领域上生成的特征更为相近。子领域自适应分类器Y在分类的同时最小化子领域自适应损失来减小域间相关子领域特征分布的差异。通过同时最小化分类损失、对抗损失和子领域自适应损失，得到用于在目标领域进行分类的隐写检测模型MJ；包括以下主要步骤：
[0006]步骤1，将已经在源领域上训练好的隐写检测模型作为预训练模型M；首先将预训练模型M的分类层移除作为隐写特征提取器F；有标签的源领域数据和无标签的目标领域数据通过隐写特征提取器F的第l层后会得到特征和
[0007]步骤2，步骤1得到的特征同时送入分类分支和判别分支；在分类分支中，子领域自适应分类器Y的网络结构与预训练模型M的分类层相同，参数被初始化。子领域自适应分类器Y根据源领域隐写检测特征f
sl
和目标领域隐写检测特征f
tl
分别给出预测值，同时计算分类损失L1和子领域自适应损失L2:
[0008][0009]式中n
s
为源领域样本数；分类损失L1为分类器预测值和源领域真实标签之间的交叉熵损失。
[0010][0011]式中c为标签类别，c∈{0,1}，C为标签类别数；n
s
为源领域样本数，n
t
为目标领域样本数；w是样本属于类c的权重；表示特征的内积。
[0012]在判别分支中，领域判别器D根据输入的特征给出预测领域的标签，即判断该特征来自哪一个领域。n
t
为目标领域样本数，通过计算领域预测标签和领域真实标签d
i
的交叉熵损失来作为对抗损失L3：
[0013][0014]步骤3，计算总损失函数
[0015]L＝L1+λL2+ωL3
[0016]λ和ω分别为子领域自适应损失和对抗损失的权衡参数；在模型的训练过程中，通过最小化总损失，进行反向传播，对隐写特征提取器F、子领域自适应分类器Y和领域判别器D的参数进行更新，减小源领域和目标领域特征分布的差异。
[0017]步骤4，在达到设置的训练次数上限时，停止训练，将隐写特征提取器F和子领域自适应分类器Y进行组合得到用于在目标领域进行分类的隐写检测模型MJ。
[0018]进一步地，所述步骤2领域判别器D的网络结构不唯一，可根据实际情况进行调整。
[0019]进一步地，本专利技术方法即可应用于空域隐写检测中，也可应用于JPEG域隐写检测中。
[0020]相对于现有技术，本专利技术的有益效果在于，
[0021]1.本专利技术采用对抗学习策略，通过引入领域判别器与隐写特征提取器进行对抗，要求隐写特征提取器生成的源领域特征和目标领域特征尽可能相似。
[0022]2.通过计算并最小化子领域自适应损失来减小源领域特征和目标领域特征的分布差异。
附图说明
[0023]图1为本专利技术的流程示意图。
[0024]图2为本专利技术对抗子领域自适应隐写检测方法框架图。
[0025]图3为本专利技术在UCIDv.2数据集上与现有方法的实验结果比较图。
具体实施方式
[0026]下面结合附图和具体实施例，对本专利技术进一步说明。
[0027]本专利技术针对图像隐写检测中的载体源失配问题。载体源失配包括多种情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对抗子领域自适应隐写检测方法，采用对抗学习策略，通过领域判别器D来与隐写特征提取器F进行对抗学习，使得隐写特征提取器F在源领域和目标领域上生成的特征更为相近；子领域自适应分类器Y在分类的同时最小化子领域自适应损失来减小域间相关子领域特征分布的差异；通过同时最小化分类损失、对抗损失和子领域自适应损失，得到用于在目标领域进行分类的隐写检测模型MJ；包括以下主要步骤：步骤1，将已经在源领域上训练好的隐写检测模型作为预训练模型M；首先将预训练模型M的分类层移除作为隐写特征提取器F；有标签的源领域数据和无标签的目标领域数据通过隐写特征提取器F的第l层后会得到特征和步骤2，步骤1得到的特征同时送入分类分支和判别分支；在分类分支中，子领域自适应分类器Y的网络结构与预训练模型M的分类层相同，参数被初始化，子领域自适应分类器Y根据源领域隐写检测特征f
sl
和目标领域隐写检测特征f
tl
分别给出预测值，同时计算分类损失L1和子领域自适应损失L2:式中n
s
为源领域样本数；分类损失L1为分类器预测值和源领域真实标签之...

【专利技术属性】
技术研发人员：王宏霞，章蕾，
申请(专利权)人：四川大学，
类型：发明
国别省市：