面向隐写算法失配的小样本图像隐写分析方法.pdfVIP

第48卷第2期北京交通大学学报Vol.48No.2

2024年4月JOURNALOFBEIJINGJIAOTONGUNIVERSITYApr.2024

文章编号：1673-0291（2024）02-0090-12DOI：10.11860/j.issn.1673-0291

面向隐写算法失配的小样本图像隐写分析方法

12a，2b3

赖鸣姝，翁韶伟，田华伟

（1.北京印刷学院信息工程学院,北京102600；2.福建理工大学a.福建省大数据挖掘与应用重点实验室，b.计算机科

学与数学学院，福州350108；3.中国人民公安大学公安情报研究中心,北京100038）

摘要：在实际的隐写分析应用场景中，待测隐写算法大多是未知的，难以获得足量带标记的样本，

从而导致隐写算法失配问题.为提升在隐写算法未知且仅有少量标记图像时隐写分析的检测性

能，提出新型隐写分析网络BTONet.首先，提出结合瓶颈注意力机制的改进SRNet，即BAMS‐

RNet，作为BTONet的特征提取模块，从空间维度和通道维度对纹理区域进行关注，解决小样本环

境下直接使用SRNet会导致检测性能不佳的问题，在带标记图像数量极少的情况下提取有辨识性

的特征.然后，将正交投影损失和交叉熵损失有机结合，从特征和预测标签2个角度强化不同类别

之间的正交性，提升分类模块的性能.最后，在隐写算法失配的情况下，将BTONet与4个经典空域

深度隐写分析算法进行检测准确率、训练时长、测试时长和算法稳定性等方面的比较，并进行消融

实验.实验结果表明：相较于目前先进的基于深度学习的隐写分析方法，BTONet在小样本环境下

能够取得更优的检测性能，检测性能提升了1.02%~10.35%；同时取得了极佳的稳定性，将检测准

确率方差降低至其他隐写算法的1/60~1/20.

关键词隐写分析；瓶颈注意力机制；正交投影损失；小样本学习

：

中图分类号TP302文献标志码A

：：

Few-shotimagesteganalysisforsteganographicalgorithm

misalignment

LAIMingshu1,WENGShaowei2a,2b,TIANHuawei3

（1.DepartmentofInformationEngineering,BeijingInstituteofGraphicCommunication,Beijing102600,China；2a.Fujian

ProvincialKeyLaboratoryofBigDataMiningandApplications,2b.SchoolofComputerScienceandMathematics,Fujian

UniversityofTechnology,Fuzhou350118,China；3.ResearchCentreofPublicSecurityInformation,People’sPublic