|
|||||
|
|
| 深度残差网络JPEG隐写分析器的特性 | |
| 摘 要： | 传统的隐写分析技术采用富模型特征,通过集成分类器获得了较高的检测性能.深度学习框架在隐写分析领域展现出了比传统方法更强大的检测性能.已有研究表明,深度残差网络类似于集成分类器.为确认基于深度残差网络的隐写分析器徐氏网络是否具有上述特性,考虑到徐氏网络不足够深,文中采用瓶颈架构和组件复制两种方式分别对徐氏网络进行拓展,得到了4个变种——瓶颈网络、30层网络、40层网络和50层网络,并进行了3组实验——第1组实验通过训练徐氏网络及其4个变种网络,获得最优的模型,发现更深的网络并没有比徐氏网络的性能更好;第2组实验通过删除个别组件,证明了残差网络中的路径并不依赖于彼此;第3组实验通过置乱一些组件,发现残差网络在一定程度上可以重新配置.实验结果表明,徐氏网络也类似于集成分类器. |
| 本文献已被 CNKI 等数据库收录！ | |