隱寫(xiě)分析是針對(duì)隱寫(xiě)問(wèn)題發(fā)展而來(lái)的一種技術(shù)手段，目的是檢測(cè)目標(biāo)中是否包含隱藏信息。待檢測(cè)目標(biāo)中嵌入隱藏信息的比特率越低，意味著隱藏信息量越少，檢測(cè)難度越大。傳統(tǒng)的隱寫(xiě)分析都是基于特征提取加特征分類(lèi)的兩段論方案，為了更全面的刻畫(huà)待測(cè)目標(biāo)中的“微弱”信號(hào)，維度不斷增加的高維特征被提出，例如Rich Models特征。特征分類(lèi)方面為了加速高維隱寫(xiě)特征的分類(lèi)，F(xiàn)ridrich課題組提出了針對(duì)隱寫(xiě)分析的特定分類(lèi)器，集成分類(lèi)器。
深度學(xué)習(xí)的發(fā)展為隱寫(xiě)分析提供了一種新的思路。Qian Y, Dong J等首次將深度學(xué)習(xí)算法應(yīng)用于隱寫(xiě)分析領(lǐng)域，并基于隱寫(xiě)分析的領(lǐng)域知識(shí)提出高斯激活函數(shù)，取得了和傳統(tǒng)方案性能相當(dāng)?shù)臋z測(cè)效果；Guanshuo Xu, Yun-Qing Shi等設(shè)計(jì)了一種新的網(wǎng)絡(luò)結(jié)構(gòu)，在網(wǎng)絡(luò)結(jié)構(gòu)中添加了絕對(duì)值層、BN層和全局pooling層，也取得了較好的檢測(cè)效果?；谝陨瞎ぷ?，兩者又相繼推出了后續(xù)工作。Qian Y, Dong J等融合遷移學(xué)習(xí)的方法進(jìn)一步提高了算法性能；Guanshuo Xu, Yun-Qing Shi等提出了基于集成學(xué)習(xí)和集成分類(lèi)的方案。
圖像取證深度學(xué)習(xí)之風(fēng)何去何從
如今深度學(xué)習(xí)的如火如荼讓各行各業(yè)的同胞摩拳擦掌。就取證領(lǐng)域而言，深度學(xué)習(xí)的探索之旅還處于小荷才露尖尖角的狀態(tài)。如施云慶教授在IWDW2016中的談話所言：“深度學(xué)習(xí)在取證領(lǐng)域中的進(jìn)步相較于計(jì)算機(jī)視覺(jué)領(lǐng)域是很小的，如何進(jìn)一步提升深度學(xué)習(xí)在取證中的檢測(cè)性能仍然值得關(guān)注”。另外，取證領(lǐng)域的數(shù)據(jù)集規(guī)模相對(duì)于計(jì)算機(jī)視覺(jué)領(lǐng)域較小，對(duì)于數(shù)據(jù)驅(qū)動(dòng)型的深度學(xué)習(xí)算法，更大規(guī)模的公開(kāi)的全面的精確標(biāo)注的數(shù)據(jù)集對(duì)于圖像取證問(wèn)題無(wú)疑是迫切需要的。
這段時(shí)間本文作者經(jīng)過(guò)一些探索也取得了一些心得，在此和大家一起探討。首先就網(wǎng)絡(luò)的深度而言，淺層的網(wǎng)絡(luò)結(jié)構(gòu)已然可以得到較好的實(shí)驗(yàn)結(jié)果。當(dāng)然網(wǎng)絡(luò)的加深會(huì)對(duì)實(shí)驗(yàn)結(jié)果略有提升，但是并不能和增加層數(shù)帶來(lái)的計(jì)算復(fù)雜度的提升成比例。其次，預(yù)處理操作并不是對(duì)于所有取證問(wèn)題都適用，預(yù)處理操作在放大噪聲信號(hào)的同時(shí)也相應(yīng)的丟失了部分原始信息，對(duì)于深度學(xué)習(xí)數(shù)據(jù)驅(qū)動(dòng)型算法而言，這些丟失的原始信息對(duì)于算法性能的影響比重如何暫時(shí)還無(wú)定論，所以預(yù)處理操作添加與否還需具體情況具體分析。
目前基于深度學(xué)習(xí)的圖像取證研究還有許多問(wèn)題需要去解決，更多的路需要去探索，本文作者歡迎讀者的任何意見(jiàn)或者建議，并期待和大家一起探討。