高培贤，魏立线，刘 佳，刘明明

1.武警工程大学 网络与信息安全武警部队重点实验室，西安 710086

2.武警工程大学 电子技术系，西安 710086

1 引言

近年来，信息隐藏已经成为信息安全领域的重要课题之一，受到了学术界的广泛关注。隐写分析技术是利用信息嵌入对原始载体统计特性的改变来判断隐秘信息的存在性，从而检测载体中是否嵌入了信息。传统的隐写分析技术关键在于特征向量的选取，特征向量所包含的特征越多，就能够更加全面地反映隐写技术对载体产生的噪声。但是当特征的数量过多时，现有的分类器大多数因为训练时间过长而不再适用。

当前，含多隐层感知器的深度学习在图像识别领域取得了优异的表现，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示[1]，从而代替人工提取特征。因此，研究者开始将深度学习应用在图像隐写分析领域，将特征提取和分类器设计合为一步，极大地提高了隐写分析的效率。Xu等人[2]构建了一个卷积神经网络（CNN）模型进行图像隐写分析，该模型包含了5层卷积层和一层全连接层，第一层卷积层后加入了一个绝对值层（ABS）来增强网络后边卷积层的学习能力，并且在激活函数前都使用了批量正规化层（BN）[3]来避免过拟合。该模型对S-UNIWARD嵌入算法的检测错误率仅为19.76%。但是，随着CNN深度的增加，模型在训练过程中会发生梯度消失问题。深度残差网络（ResNet）[4]的提出解决了网络加深带来的梯度消失问题，通过残差学习使得神经网络的深度可以很大程度的加深。……