基于深度残差网络的图像隐写分析方法

高培贤，魏立线，刘 佳，刘明明

(武警工程大学 网络与信息安全武警部队重点实验室， 陕西 西安 710086)

0 引 言

传统的图像隐写分析方法是先提取特征，再利用分类器进行分类，例如富模型(RM)[1]+集成分类器(EC)[2]。随着深度学习在图像识别领域的优异表现，卷积神经网络(CNN)逐渐成为一种重要的图像隐写分析方法。Guangshuo Xu等构建了一个5层的CNN模型进行隐写分析，对S-UNIWARD算法的检测准确率达到了80.24%[3]，但是CNN的缺点是随着深度的增加，网络模型会出现退化问题，模型识别准确率会很快达到饱和，然后迅速下降[4,5]。为了解决退化问题，何凯明等提出了深度残差网络(DRN)，通过捷径连接改变网络结构，实现残差学习。何凯明等构建的152层DRN模型在ImageNet测试集中的识别误差为3.57%，在2015年的大规模视觉识别挑战赛中赢得了第一名[6]。

针对目前图像隐写分析效率较低的情况，本文提出了一个基于深度残差网络的神经网络模型(S-DRN)进行图像隐写分析。实验结果表明，相比Guanshuo Xu等的构建CNN模型，本文模型识别准确率提高了12.89%。

1 残差网络

1.1 退化问题

深度卷积神经网络的提出引发了图像分类方法的一系列突破[7-9]，通过增加网络深度可以提取图像更加抽象的特征，从而提高模型识别准确率。随着网络深度的增加，梯度消失/爆炸问题会阻碍网络的收敛，批量规范化(BN)的提出使得深度网络利用随机梯度下降(SGD)得以收敛。但是，深度网络在训练过程中会出现退化问题，即随着网络层数的递增，网络识别性能会逐渐达到饱和后并迅速下降。……