[发明专利]一种特征引导的深度子领域自适应隐写检测方法

权利要求书

1.一种特征引导的深度子领域自适应隐写检测方法，其特征在于，采用局部对齐策略，将源领域和目标领域根据类别分别划分为两个子领域，且引入使子领域划分更加精确的引导特征，通过同时最小化分类损失和子领域自适应损失，减少了相关子领域分布的非期望变化，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M1；首先将预训练模型M1的FC层替换为重新初始化参数的新FC层，得到的新模型作为训练模型M2；有标签的源领域数据和无标签的目标领域数据通过训练模型M2除FC层之外的所有层后，得到深层隐写检测特征；

步骤2，有标签的源领域数据和无标签的目标领域数据首先通过引导特征提取器提取手工设计特征，然后通过FC层对提取的手工设计特征进行降维得到引导特征，引导特征用于指导子领域的划分；

步骤3，将步骤1得到的深层隐写检测特征和步骤2得到的引导特征进行融合，融合后的特征通过训练模型M2的新FC层，给出预测值，利用预测值生成目标领域伪标签；源领域的数据直接按照标签，目标领域的数据则按照生成的伪标签，分别依标签类别“0”和“1”划分为两个子领域，“0”代表载体图像，“1”代表载密图像；

步骤4，通过最小化损失函数来对训练模型M2进行训练：

λ为权衡参数；n_s为源领域样本数；损失函数的第一项为分类器和标签之间的交叉熵损失，第二项为领域自适应损失；

领域自适应损失采用局部最大均值差异LMMD领域自适应损失：

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；样本经过训练模型M2的第l层后会产生激活和表示激活的内积；

在模型的训练过程中，通过同时最小化这两项损失，进行反向传播，来对训练模型M2的参数进行更新，减小源领域和目标领域特征分布的差异；

步骤5，在达到设置的训练次数上限时，停止训练，得到用于在目标领域进行分类的隐写检测模型MJ。

2.如权利要求1所述的一种特征引导的深度子领域自适应隐写检测方法，其特征在于，所述步骤2引导特征对子领域划分的引导是基于统计特征的，即采用二进制相似性度量特征、小波系数特征和共现矩阵特征等统计特征之一。

3.如权利要求1所述的一种特征引导的深度子领域自适应隐写检测方法，其特征在于，该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。