贺丽莎，李清光*

(1.广西大学 计算机与电子信息学院， 广西 南宁 530004;2.广西多媒体通信与网络技术重点实验室， 广西 南宁 530004)

0 引言

图像隐写分析是信息安全领域中的研究热点, 近年来受到学术界越来越多的关注。目前的图像隐写分析算法主要分为传统图像隐写分析算法[1-2]和基于深度学习的图像隐写分析算法[3]。

传统图像隐写分析算法通常由特征提取器和特征分类器组成[1,4]。在传统图像隐写分析算法中，手工设计的特征提取器往往依赖于研究学者的人工经验和领域知识，而且特征提取和分类器训练是独立进行的，这使得两者同步优化变得困难[5]。

针对传统图像隐写分析算法的局限性，近年来，深度学习被引入图像隐写分析研究领域之中。TAN等[6]提出了堆叠卷积自动编码器模型(stacked convolutional auto-encoders, SCAE)，这是首个将深度学习运用到图像隐写分析领域中的模型。该模型由4层卷积层、1层全连接层构成，初次展现了深度学习运用在图像隐写分析研究领域的潜力。QIAN等[7]提出了高斯神经元卷积神经网络模型(gaussian-neuron convolutional neural networks, GNCNN)。该模型由1层预处理层、5层卷积层以及2层全连接层组成，预处理层采用一个固定参数高通滤器，并且GNCNN使用高斯非线性激活函数替代sigmoid函数作为激活函数。GNCNN能取到略微低于空域富残差模型(spatial rich model, SRM)[1]的检测准确度。XU等[8]提出的网络模型由1层预处理层、5层卷积层以及1层全连接层组成。预处理层同样采用固定高通滤波核对输入图像进行预处理，除此之外，Xu-net添加了绝对值层、增加了批归一化层(batch normalization, BN)提高网络收敛速度，同时在网络前段使用TanH激活函数，网络后段使用ReLU激活函数。……