Reference Image Generation Algorithm for JPEG Image Steganalysis Based on Convolutional Neural Network
-
摘要: 基于深度学习的JPEG数字图像隐写分析模型检测能力已超越基于人工设计特征隐写分析模型,但检测能力仍存在提升空间.以进一步提升JPEG隐写分析模型的检测能力为目标,借助深度学习方法,为基于深度学习的JPEG隐写分析模型提供辅助信息,从数据输入角度,探索进一步提升隐写分析模型检测能力的途径.基于卷积神经网络,构建隐写分析参照图像生成模型,对待检测图像进行变换,从而获得对应参照图像.之后,将待检测图像与对应参照图像作为隐写分析模型的输入数据,进一步挖掘待检测图像中存在的隐写分析相关信息.为验证所提出算法的有效性,进行针对JPEG自适应隐写算法的对比实验.实验结果表明:所设计的参照图像生成模型能够提升现有基于深度学习的隐写分析模型检测能力,提升效果最多可达6个百分点.
-
关键词:
- JPEG隐写分析 /
- 辅助信息 /
- 参照图像 /
- 卷积神经网络 /
- JPEG自适应隐写算法
Abstract: As the opponent of image steganography, the image steganalysis is to detect the secret message in images concealed by steganography algorithms. Recently, state-of-the-art JPEG image steganalysis schemes are changing from complex handcrafted feature-based ones to deep learning-based ones. Although the deep learning steganalysis for detecting JPEG steganography achieves great advancement, there still exists room for improvement. As it is verified that side information could promote the steganography detection accuracy, we seek the method to further improve the accuracy of content-adaptive steganography detection in JPEG domain from the perspective of side information offering for the deep learning steganalysis scheme. The proposed method utilizes convolutional neural networks to generate reference images from the input data. And the reference image is treated as the side information for the deep learning-based JPEG image steganalysis model. The proposed method can be pre-trained or trained together with the steganalysis model. Experimental results on classic content-adaptive steganography algorithms in JPEG domain named J-UNIWARD and JC-UED verifies the proposed method could enhance the detection ability compared with the deep learning steganalysis model without the aid of the proposed method to a certain extent. The proposed method could boost the detection accuracy for deep learning-based JPEG steganalysis model by 6 percentage points at most. -
-
期刊类型引用(25)
1. 张世文,陈双,梁伟,李仁发. 联邦学习中的攻击手段与防御机制研究综述. 计算机工程与应用. 2024(05): 1-16 . 百度学术 2. 刘炜,刘宇昭,唐琮轲,王媛媛,佘维,田钊. 基于区块链的联邦蒸馏数据共享模型研究. 计算机科学. 2024(03): 39-47 . 百度学术 3. 汤凌韬,陈左宁,张鲁飞,吴东. 联邦学习中的隐私问题研究进展. 软件学报. 2023(01): 197-229 . 百度学术 4. 金源,李成智. 智能财务背景下的财务信息安全研究. 财会通讯. 2023(07): 136-144 . 百度学术 5. 先兴平,吴涛,乔少杰,吴渝,刘宴兵. 图学习隐私与安全问题研究综述. 计算机学报. 2023(06): 1184-1212 . 百度学术 6. 李功源,刘博涵,杨雨豪,邵栋. 可信人工智能系统的质量属性与实现:三级研究. 软件学报. 2023(09): 3941-3965 . 百度学术 7. 王守欣,彭长根,刘海,谭伟杰,张弘. 基于联邦学习的PATE教师模型聚合优化方法. 计算机与数字工程. 2023(11): 2608-2614 . 百度学术 8. 崔争艳,刘晨晨,孙滨. 基于机器学习的MOOC学习者弃学预测与预警系统实现. 信息与电脑(理论版). 2022(01): 65-67 . 百度学术 9. 王坤庆,刘婧,李晨,赵语杭,吕浩然,李鹏,刘炳莹. 联邦学习安全威胁综述. 信息安全研究. 2022(03): 223-234 . 百度学术 10. 陈玉明,董建威. 基于粒计算的非线性感知机. 数据采集与处理. 2022(03): 566-575 . 百度学术 11. 田枫,冯建臣,刘芳. 改进YOLOv4的油田作业现场烟火检测. 计算机系统应用. 2022(06): 300-306 . 百度学术 12. 宁晗阳,马苗,杨波,刘士昌. 密码学智能化研究进展与分析. 计算机科学. 2022(09): 288-296 . 百度学术 13. 刘梦君,蒋新宇,石斯瑾,江南,吴笛. 人工智能教育融合安全警示:来自机器学习算法功能的原生风险分析. 江南大学学报(人文社会科学版). 2022(05): 89-101 . 百度学术 14. 黄精武. 基于差分隐私的联邦学习数据隐私安全技术. 通信技术. 2022(12): 1618-1625 . 百度学术 15. 黄志强. 基于随机化防御的云应用安全体系技术研究. 电子设计工程. 2021(02): 150-154 . 百度学术 16. 赵俊杰,王金伟. 基于SmsGAN的对抗样本修复. 郑州大学学报(工学版). 2021(01): 50-55 . 百度学术 17. 张颖君,陈恺,周赓,吕培卓,刘勇,黄亮. 神经网络水印技术研究进展. 计算机研究与发展. 2021(05): 964-976 . 本站查看 18. 拓世英,孙浩,林子涵,陈进. 多模态图像智能目标识别对抗攻击. 国防科技. 2021(02): 8-13 . 百度学术 19. 张宇,李海良. 基于RSA的图像可识别对抗攻击方法. 网络与信息安全学报. 2021(05): 40-48 . 百度学术 20. 黄静琪,贾西平,陈道鑫,柏柯嘉,廖秀秀. 基于双对抗机制的图像攻击算法. 计算机工程. 2021(11): 150-157 . 百度学术 21. 孙爽,李晓会,刘妍,张兴. 不同场景的联邦学习安全与隐私保护研究综述. 计算机应用研究. 2021(12): 3527-3534 . 百度学术 22. 周俊,方国英,吴楠. 联邦学习安全与隐私保护研究综述. 西华大学学报(自然科学版). 2020(04): 9-17 . 百度学术 23. 李德权,许月,薛生. 基于动态约束自适应方法抵御高维鞍点攻击. 计算机研究与发展. 2020(09): 2001-2008 . 本站查看 24. 魏立斐,陈聪聪,张蕾,李梦思,陈玉娇,王勤. 机器学习的安全问题及隐私保护. 计算机研究与发展. 2020(10): 2066-2085 . 本站查看 25. 宋雪亚,王传安. 文本信息分词处理下的智能家电离线语音识别. 自动化与仪器仪表. 2020(12): 161-164 . 百度学术 其他类型引用(46)
计量
- 文章访问数: 1523
- HTML全文浏览量: 1
- PDF下载量: 671
- 被引次数: 71