检索结果-南通市图书馆

信息安全学报 2024年

作者：吴槟薛瑞中国科学院信息工程研究所网络空间安全防御重点实验室中国科学院大学网络空间安全学院

在最近的研究中,利用深度学习技术的载体选择式隐写方法取得了一些新进展。然而,这些方法仅仅将深度神经网络作为建立消息码字与图像之间映射关系的一种工具,没有考虑如何通过改进网络模型及优化特征分布以提升隐写方案的整体性能,导致... 详细信息

在最近的研究中,利用深度学习技术的载体选择式隐写方法取得了一些新进展。然而,这些方法仅仅将深度神经网络作为建立消息码字与图像之间映射关系的一种工具,没有考虑如何通过改进网络模型及优化特征分布以提升隐写方案的整体性能,导致它们在抗攻击性、通信容量以及完备性等关键指标上的表现难以满足实际通信场景的要求。为此,本文首先从映射规则设计方面入手,提出了一种基于优化神经网络特征嵌入的载体选择式隐写方法 Feadio,具有非常好的完备性;其次,探究了原始图像与受攻击图像在嵌入空间中的分布关系,为了提高Feadio的抗攻击性与通信容量,更好地拉近属于同一类的受攻击图像与原始图像的特征嵌入距离,通过在超球面空间对嵌入特征分布进行优化,获得了更好的表征效果;最后,通过在训练模型时引入Arc FaceLoss指标,有效地缩小了相同类别特征的间距,增大了不同类别特征的间距,使得Feadio中模型学习到的特征分布更具判别性。实验结果表明,Feadio不仅能保证100%的完备性和最先进的通信容量,在面对绝大多数几何和噪声攻击时可达到100%的抗攻击性,而且对于真实通信环境下总共12000张受攻击图像,获得了正确提取11997组图像消息的优秀表现。除此之外,本文首次提出了评估无载体隐写方法抗攻击性的基准数据集OSNA-Face,从更客观、更真实的角度衡量了方法的抗攻击性。Feadio的源代码和OSNA-Face数据集均可以从作者网站(https://***/)公开获取,以验证本文方法的有效性和实验结果的真实性。

关键词：信息隐藏载体选择式隐写术深度度量学习图像特征分布

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：