[发明专利]一种基于梯度网络架构搜索的空域隐写分析方法及系统

说明书

本发明提出一种基于梯度网络架构搜索的空域隐写分析方法及系统，解决了现有人工设计网络性能表现欠佳以及搜索网络耗时长的问题，首先定义一个隐写分析网络搜索架构，确定隐写分析网络搜索架构中每部分待搜索模块的搜索架构及候选操作，并使用Softmax函数融合搜索空间中的所有候选操作以构建一个超参数网络，然后利用梯度下降法对所构建的超参数网络进行训练优化，根据训练好的超参数网络中的架构参数选定相应的操作，完成隐写分析网络的搜索构建，本方案所提方法减少了网络设计中的人工干预，避免所构建隐写分析网络的性能受限的弊端，并且基于梯度更新的网络架构搜索方式使搜索耗时减少。

技术领域

本发明涉及图像隐写分析的技术领域，更具体地，涉及一种基于梯度网络架构搜索的空域隐写分析方法及系统。

背景技术

隐写分析是对隐写术的攻击，目的是为了检测秘密消息的存在以至破坏隐秘通信，隐写分析是解决非法使用隐写术问题的关键技术。图像隐写分析技术是一项用于检测数字图像中是否包含由隐写嵌入的秘密信息的技术。现有隐写分析方法可分为两类，包括基于人工设计特征的传统隐写分析方法和基于深度学习的隐写分析方法。传统隐写分析方法以SRM为代表，先使用大量高通滤波核对图像进行滤波得到相应的残差图像，然后对所得残差图像进行量化截断，并计算相应的共生矩阵作为特征放入集成分类器中进行训练分类；基于深度学习的隐写分析方法通过设计合适的网络架构，以输入图像驱动，来自动地学习特征提取并完成分类。以YeNet和SRNet为例，两个网络都是由预处理模块、特征提取模块以及分类模块组成，YeNet基于卷积神经网络进行构建，其预处理模块由30个SRM线性高通滤波核和TLU截断线性单元构成。SRNet基于残差网络进行构建，其预处理模块是由七个随机初始化的卷积层组构成。

目前，基于深度学习的隐写分析方法已取得了优于基于人工设计特征的传统隐写分析方法的检测性能。如2018年9月28日，公开号为CN108596818A的中国专利中公开了一种基于多任务学习卷积神经网络的图像隐写方法，首先设计包括图像隐写分析主网络和像素点隐写分析分支网络的多任务学习网络模型，然后对原始图像进行隐写得到隐写图像，保存每张图像的图像隐写分析标签和像素点隐写分析标签，使用高通滤波器对多任务学习网络模型中的第一层卷积层的权值参数进行初始化，其余卷积层使用Xavier方式进行初始化；将数据集随机划分为训练集和测试集，应用Adam算法在训练集上对多任务学习网络模型同时进行图像隐写分析和像素点隐写分析有监督的学习训练，在测试集上进行测试，最后保存在测试集上结果最好的模型作为最终模型，并使用最终模型对其余新的测试图像进行隐写分析，该专利侧重于以深度学习为基础，所提方法也取得了优于人工设计传统隐写分析方法的检测性能，但这种基于深度学习神经网络的隐写分析方法需要根据大量的实验和经验确定网络的层数以及每一层操作的种类，设计的网络性能受限，性能表现欠佳。

为了减少由于人工设计带来的隐写分析网络性能限制，更大程度地挖掘基于深度学习的隐写分析方法的潜能，一种名为神经网络架构搜索的技术被用于隐写分析网络的构建，该方法可以自动地在预设好的搜索空间中，通过相应的搜索策略找出候选的网络架构并进行评估，最后得到最佳的网络架构，但该方法的应用目前存在一个待突破的瓶颈：搜索耗时长。

发明内容

为解决现有人工设计网络性能表现欠佳以及搜索网络耗时长的问题，本发明提出一种基于梯度网络架构搜索的空域隐写分析方法及系统，能够高效地在预设的搜索空间中搜索得到高性能的空域图像隐写分析网络。

为了达到上述技术效果，本发明的技术方案如下：

一种基于梯度网络架构搜索的空域隐写分析方法，至少包括：

S1.构建包括若干部分的隐写分析网络搜索框架，确定每部分对应的搜索架构及搜索空间中的候选操作；

S2.利用Softmax函数将搜索空间中的所有候选操作进行结合，构建包含候选操作的超参数网络；

S3.利用梯度下降法对构建出的超参数网络进行训练优化；