基于孪生网络对比学习的图像隐写分析方法技术

本发明专利技术为一种基于孪生网络对比学习的图像隐写分析方法，以SiaStegNet网络为基本框架构建隐写分析模型，隐写分析模型包括两个并行的子网络和一个分类器，待分析图像平分为左、右两张子图像输入到两个子网络中，子网络从子图像中提取特征向量，两个子网络提取的特征向量在分类器中进行分类，判断待分析图像是否为隐写图像；子网络包括预处理和特征提取两个阶段，在特征提取阶段利用残差注意传递模块帮助残差特征从浅层网络完整地传入深层网络，并赋予残差特征不同的通道权重，促使网络更加关注隐写信息所在的通道；在模型训练过程中，利用原型对比损失辅助交叉熵损失拟合网络，使隐写信息更加容易区分于图像中的其他高频信息，增强网络的表征能力，提高检测和分类的准确性。提高检测和分类的准确性。提高检测和分类的准确性。

【技术实现步骤摘要】
基于孪生网络对比学习的图像隐写分析方法


[0001]本专利技术属于信息安全中的图像隐写分析
，具体是一种基于孪生网络对比学习的图像隐写分析方法。

技术介绍

[0002]隐写术(Steganography)是一种在数据通信时通过在多媒体媒介中隐藏信息的通讯安全保障方法，其目的是避免除指定接受者之外的人知晓信息的隐藏事件。隐写术一方面保护了多媒体传播过程中的隐私和信息安全，另一方面又容易被不正当利用，图像隐写分析的目的是检测图像中是否存在隐藏信息，隐写分析对于通讯安全、维护社会安定都具有重要意义。在隐写分析任务中，不包含隐藏信息的图像称为载体图像(cover)，包含隐藏信息的图像称为隐写图像(stego)。在传统的隐写分析方法中，特征提取和基于机器学习的分类是分开的，两步操作无法同时进行优化，很难达到异构平衡状态；而且，隐写特征一般是由专业的研究人员依赖自己的先验经验和不断启发式尝试计算得到，隐写特征提取的复杂性较高。
[0003]近年来，深度学习的蓬勃发展为隐写分析提供了新方法，越来越多研究人员开始尝试将深度学习与隐写分析相结合，逐渐形成了预处理、特征提取以及分类的三步式通用模型。在预处理阶段，通过高通滤波提取隐写信号，在隐写分析领域又将这种隐写信号称为噪声残差或残差特征；在特征提取阶段，生成更抽象更有代表性的特征；分类器用于判断输入图像是否为隐写图像。隐写分析不同于常规的机器学习任务，常规的机器学习任务偏向于处理图像本身的内容，隐写分析任务则希望处理的是隐写图像高频信息中的隐写信息，即隐写信号，高频信息对应图像变化剧烈的部分，包括纹理、语义边缘、图像噪声等，因此隐写信号难以与图像的高频信息区分。
[0004]目前，基于深度学习的隐写分析模型大多在预处理阶段使用SRM初始化高通滤波核，旨在提取图像中包括隐写信号在内的高频信息，但是在特征提取和分类器中，仅仅是启发式地应用深度学习的通用组件，并没有给予隐写信号特别的关注，导致隐写信号难以区分于高频信息，提取隐写信号存在困难等问题，降低了检测和分类准确性。

技术实现思路

[0005]针对现有技术的不足，本专利技术拟解决的技术问题是，提出了一种基于孪生网络对比学习图像隐写分析方法。
[0006]本专利技术解决所述技术问题采用以下的技术方案：
[0007]一种基于孪生网络对比学习的图像隐写分析方法，以SiaStegNet网络为基本框架构建隐写分析模型，隐写分析模型包括两个并行的子网络和一个分类器，待分析图像平分为左、右两张子图像输入到两个子网络中，子网络从子图像中提取特征向量，两个子网络提取的特征向量在分类器中进行分类，判断待分析图像是否为隐写图像；
[0008]子网络包括预处理和特征提取两个阶段，特征提取阶段包括串行的两个特征提取
模块和一个全局平均池化层，特征提取模块包括一个残差注意传递模块和一个G
‑
Block模块；残差注意传递模块分为通道权重学习和特征图下采样两个阶段，在通道权重学习阶段，残差注意传递模块的输入特征图经过全局平均池化、卷积以及激活后，与该模块的输入特征图相乘，得到加权特征图；特征图下采样阶段分为两个分支，加权特征图经过点卷积层、归一化层、深度卷积层以及归一化层后，与加权特征图经过点卷积层和归一化层后得到的特征图相加，相加后的特征图经过一个激活层后，再经过卷积层和归一化层，得到第一个分支的输出特征图；加权特征图经过点卷积层和归一化层，得到第二个分支的输出特征图；两个分支的输出特征图在通道维度上连接后，经过激活层，得到残差注意传递模块的输出特征图。
[0009]进一步的，所述分类器首先对两个特征向量进行逐元素运算，得到最大值、最小值、均值和方差四个向量，并将这四个向量进行连接，得到融合特征向量；融合特征向量经过全连接层和分类层，得到分类结果。
[0010]进一步的，所述G
‑
Block模块包括两个大小为3
×
3的卷积层，第一个卷积层后加入归一化层和激活层，第二个卷积层后加入归一化层，第二个卷积层的输出与G
‑
Block模块的输入相加后，再经过激活层，得到G
‑
Block模块的输出。
[0011]进一步的，该方法还包括模型训练，在模型训练过程中，通过交叉熵损失度量分类损失，利用原型对比损失辅助交叉熵损失拟合网络，利用欧式距离度量两个特征向量之间的相似性；
[0012]相似性损失计算公式为：
[0013][0014]其中，L
sml
表示相似性损失，f
i
和f
j
表示两个子网络提取的特征向量，y表示输入图像的标签，表示二范数，m表示边距；
[0015]融合特征向量经过多层感知机和L2正则化层，将融合特征向量映射到球面嵌入空间中，在球面嵌入空间中计算原型对比损失，计算公式为：
[0016][0017]其中，L
spcl
表示原型对比损失，I表示样本/标签对的索引，P(i)表示与锚样本相同标签的所有正样本的索引，|P(i)|表示P(i)的基数，A(i)表示除了锚样本外的其他所有样本的索引，z
i
表示锚样本，z
p
表示锚样本z
i
对应的正样本，k表示所有的类标签集合，O
j
表示标签为j的样本对应的原型向量，表示与锚样本z
i
有相同标签的原型特征；
[0018]综上，整体损失函数表示为：
[0019]L＝L
CE
+αL
sml
+βL
spcl
ꢀꢀꢀꢀꢀ
(6)
[0020]其中，L
CE
表示交叉熵损失；α、β均为权重因子。
[0021]与现有技术相比，本专利技术的优点和有益效果是：
[0022]1.隐写信息存在于图像的高频信息中，而图像的高频信息中又包含了自身的纹理细节，语义边缘等高空间频率成分，因此在隐写分析任务中存在难以从复杂的高频信息提取隐写信息的问题，为了解决这一技术问题，本专利技术设计了残差注意传递模块，首先帮助残
差特征(隐写信息)从浅层网络完整地传入深层网络，其次赋予残差特征不同的通道权重，促使网络更加关注隐写信息所在的通道，使得隐写信息更加容易区分，提高了网络的表征能力。
[0023]2.由于不同隐写图像本身的内容不同，隐写信息的位置和数量也不同，因此隐写分析是一种类内差异较大的分类任务。为了更好地训练网络，设计了一种基于原型对比学习的损失函数，原型对比损失利用标签信息，在嵌入空间中扩大类间差异，聚集同类的特征，从而更好地引导网络关注隐写信息，从而提高检测和分类的准确性。将原型对比损失与交叉熵损失结合，来区分隐写图像的隐写信号与其他高频信息。此外，通过将原型特征加入到损失函数中，进一步提高了模型的泛化性能，从而使得模型可以更好地处理不同隐写算法的隐写信号。
[0024]3.在BOSSbase固定尺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生网络对比学习的图像隐写分析方法，其特征在于，该方法包括以下内容：以SiaStegNet网络为基本框架构建隐写分析模型，隐写分析模型包括两个并行的子网络和一个分类器，待分析图像平分为左、右两张子图像输入到两个子网络中，子网络从子图像中提取特征向量，两个子网络提取的特征向量在分类器中进行分类，判断待分析图像是否为隐写图像；子网络包括预处理和特征提取两个阶段，特征提取阶段包括串行的两个特征提取模块和一个全局平均池化层，特征提取模块包括一个残差注意传递模块和一个G
‑
Block模块；残差注意传递模块分为通道权重学习和特征图下采样两个阶段，在通道权重学习阶段，残差注意传递模块的输入特征图经过全局平均池化、卷积以及激活后，与该模块的输入特征图相乘，得到加权特征图；特征图下采样阶段分为两个分支，加权特征图经过点卷积层、归一化层、深度卷积层以及归一化层后，与加权特征图经过点卷积层和归一化层后得到的特征图相加，相加后的特征图经过一个激活层后，再经过卷积层和归一化层，得到第一个分支的输出特征图；加权特征图经过点卷积层和归一化层，得到第二个分支的输出特征图；两个分支的输出特征图在通道维度上连接后，经过激活层，得到残差注意传递模块的输出特征图。2.根据权利要求1所述的基于孪生网络对比学习的图像隐写分析方法，其特征在于，所述分类器首先对两个特征向量进行逐元素运算，得到最大值、最小值、均值和方差四个向量，并将这四个向量进行连接，得到融合特征向量；融合特征向量经过全连接层和分类层，得到分类结果。3.根据权利要求1所述的基于孪生网络对比学习的图像隐写分析方法，其特征在于，所述G
‑
Block模块包括两个大小为3
×
3的卷积层，第一个卷积层后加入归一化层和...

【专利技术属性】
技术研发人员：张军，李朝阳，石陆魁，都旭，曹慧博，刘保辉，张智铭，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：