[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

说明书

本发明公开了一种特征引导的深度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，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。另一方面，本发明还构造了引导特征，考虑并引入图像隐写检测的统计知识，使子领域划分更加精确。本发明方法计算简单，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。

技术领域

本发明涉及信息隐藏技术领域，特别是一种特征引导的深度子领域自适应隐写检测方法。

背景技术

图像隐写是利用数字图像的视觉冗余来嵌入秘密信息的一种隐蔽通信手段。与之对应，隐写检测的目的是检测隐写信号，以区分载体图像和载密图像。随着卷积神经网络在图像隐写检测中出色的表现，现已被大量的学者研究与应用。这些采用深度学习的模型获取的特征往往能比手工设计的特征(即基于统计的特征，如空域富模型SRM，差分像素邻接矩阵SPAM，离散余弦变换残差DCTR，2D Gabor滤波器特征提取方法GFR等)更准确地区分载体图像与载密图像。文献(Mehdi Boroumand,Mo Chen,Jessica Fridrich,IEEETransactions 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。但这种深度学习的方法是非常依赖于训练集的数据与标签的，深度学习方法的泛化问题至今仍是一个有待攻克的重要问题。为了能在与源领域有差别的目标领域得到一个可靠的模型，领域自适应方法通过将源领域和目标领域进行对齐来减小域间差异，提升预训练模型在目标领域的性能。文献(Yongchun Zhu,Fuzhen Zhuang,Jindong Wang,Guolin Ke,Jingwu Chen,Jiang Bian,Hui Xiong,IEEETransactions on Neural Networks and Learning Systems,32(4),1713-1722.)提出了一种深度子领域自适应网络DSAN来对齐相关子领域的分布，以提升预训练模型在目标领域的准确率。在图像隐写检测过程中，深度学习模型的训练集数据和测试集数据大多是来自于同一个数据集的，并且都经历了相同的图像处理过程，在这种标准的实验室环境下，基于深度学习的隐写检测模型可以很有效地区分载体图像和载密图像。一旦训练集和测试集之间存在着差异(即源领域数据和目标领域存在差异)，也就是当载体源失配问题出现的时候，基于深度学习的隐写检测模型在目标领域的分类准确率往往低于在源领域的分类准确率，这也是隐写检测模型在现实应用中很难成功部署的原因。为了解决载体源失配问题，文献(Xunpeng Zhang,Xiangwei Kong,Pengda Wang,Bo Wang，Proceedings of 18thWorkshop on Digital Forensics and Watermarking,pp.71-83,2019)通过同时考虑输入图像和预测标签的联合分布，为损失函数加入了一项领域自适应损失，提出了J-Net，可以使得隐写检测模型在目标领域的分类准确率提升。然而，这种全局对齐的方法虽然拉进了源领域和目标领域的特征距离，却没有扩大同一个领域内不同类别之间的特征距离，这对分类任务来说是不利的。而本发明中采用的局部对齐策略则可以弥补这处不足。

发明内容

为了提升基于深度学习的隐写检测模型在失配情况下的准确率，本发明提出了一种特征引导的深度子领域自适应方法，能够减小训练集和测试集之间的差异，提升基于深度学习的隐写检测模型在目标领域的分类准确率。

实现本发明的技术方案如下：

一种特征引导的深度子领域自适应隐写检测方法，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：