基于迁移学习的隐写分析
2017-02-24叶登攀马方方梅园
网络与信息安全学报 2017年1期
叶登攀,马方方,梅园
(武汉大学计算机学院,湖北 武汉 430072)
基于迁移学习的隐写分析
叶登攀,马方方,梅园
(武汉大学计算机学院,湖北 武汉 430072)
在实际应用环境下,训练集和测试集往往存在分布偏差,导致隐写分析检测效果不理想。迁移学习方法旨在从一个领域学习到的知识,来帮助完成新领域中的学习任务,不要求领域间的同分布假设。概述了当前隐写分析失配问题的研究现状,分析了引起隐写分析失配的因素,在TrAdaBoost迁移算法的基础上提出了一种基于迁移学习的隐写分析算法,改善了隐写检测过程中出现的失配问题,并通过实验验证了算法的有效性。
隐写检测;迁移学习;基于实例
1 引言
信息隐藏作为一门新兴学科,是各国研究者所关注和研究的热点,其原理是利用载体中存在的冗余信息来隐藏秘密对象,以实现保密通信或数字签名和认证。信息隐藏技术的主要技术分支是隐写术和数字水印技术。研究者们把研究出的隐写算法发布在他们的主页上,如F5、WOW、MB1、JPHS、HUGO等;网上各种隐写软件可以免费下载。目前,隐写术及隐写分析技术的相关研究得到了学术界广泛的重视。
传统机器学习通常假设训练数据与测试数据服从相同的数据分布。使用传统机器学习进行隐写分析检测,在测试集和训练集同分布时,已经取得很好的效果。然而,在实际中,训练集和测试集数据分布不同的时候,隐写分析检测效果不能得到保证。重新收集训练数据、重新训练分类器需要的代价很大,为重复利用已有的数据经验知识,需要研究学习模型的迁移。……
登录APP查看全文
