检索结果

Select

1. 基于深度残差网络的语音隐写分析方法

任奕茗, 王让定, 严迪群, 林昱臻

计算机应用 2021, 41 (3): 774-779. DOI: 10.11772/j.issn.1001-9081.2020060763

摘要（399）

PDF （1026KB）（710）

针对目前以WAV格式语音为载体的最低有效位（LSB）隐写方法的检测性能较低的问题，提出了一种基于深度残差网络的语音隐写分析方法。首先，通过多组高通滤波器组成的固定卷积层来计算输入语音信号的残差信号，并利用截断线性激活单元对得到的残差信号进行截断操作；然后，通过卷积层与设计的残差块的堆叠来构建深度网络，以提取深层次的隐写特征数据；最后，利用全连接层与Softmax层组成的分类器输出最终的分类结果。实验结果表明，在Hide4PGP和LSBmatching两种隐写方法的不同密信嵌入率下，所提出模型的检测正确率都要优于现有的基于卷积神经网络（CNN）的隐写分析方法。对于0.1 bps嵌入率的Hide4PGP隐写方法，该隐写分析模型的检测正确率比LinNet提高了近7个百分点。

参考文献 | 相关文章 | 多维度评价

Select

2. 融合残差网络和极限梯度提升的音频隐写检测模型

陈朗, 王让定, 严迪群, 林昱臻

计算机应用 2021, 41 (2): 449-455. DOI: 10.11772/j.issn.1001-9081.2020060775

摘要（445）

PDF （1165KB）（656）

针对目前音频隐写检测方法对基于校验网格编码（STC）的音频隐写检测准确较低的问题，考虑到卷积神经网络（CNN）在抽象特征提取上的优势，提出一种融合深度残差网络（DRN）和极限梯度提升（XGBoost）的音频隐写检测模型。首先，利用固定参数的高通滤波器（HPF）预处理输入的音频，并通过三个卷积层提取特征，其中第一个卷积层使用了截断线性单元（TLU）激活函数，使得模型适应低信噪比（SNR）下的隐写信号分布；其次，通过五个阶段的残差块和池化操作进一步提取抽象特征；最后，经过全连接层和Dropout层将提取的高维特征作为XGBoost模型的输入进行分类。分别对STC隐写和最低有效位匹配（LSBM）隐写进行检测，实验结果表明，所提出的模型在0.5 bps、0.2 bps、0.1 bps三种嵌入率下，即音频每个采样值平均修改的比特数分别为0.5、0.2、0.1时，对子校验矩阵高度为7的STC隐写的平均检测准确率分别为73.27%、70.16%、65.18%，对LSBM隐写的平均检测准确率分别为86.58%、76.08%、72.82%。相较于传统提取手工特征的隐写检测方法和深度学习隐写检测方法，所提模型对两种隐写算法的平均检测准确率均提高了10个百分点以上。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于卷积神经网络框架的回声隐藏检测方法

王杰, 王让定, 严迪群, 林昱臻

《计算机应用》唯一官方网站 2020, 40 (2): 375-380. DOI: 10.11772/j.issn.1001-9081.2019081400

摘要（364）

HTML （1）

PDF （713KB）（418）

回声隐藏是一种以音频为载体的隐写技术，目前针对回声隐藏的隐写分析方法主要以倒谱系数作为手工特征进行分类。然而，这些传统方法普遍在回声幅度较低时检测性能不高。针对回声幅度较低的情况，提出一种基于卷积神经网络（CNN）的回声隐藏隐写分析方法。首先利用短时傅里叶变换（STFT）提取音频的幅度谱系数矩阵作为浅层特征，然后设计了一个卷积神经网络框架对浅层特征进行进一步的深度特征提取，网络框架中包含了四个卷积模块以及三层全连接层，最后分类结果以Softmax进行输出。在三种经典的回声隐藏算法上对提出的方法进行了隐写分析实验评估，实验结果表明，该方法在低回声幅度条件下的检测率分别为98.62%、98.53%和93.20%，与目前所提出的传统基于手工特征的方法和基于深度学习的方法相比，检测性能提升10%以上。

图表 | 参考文献 | 相关文章 | 多维度评价