典型文献
用于失配隐写分析的对抗子领域自适应网络
文献摘要：
当训练集数据和测试集数据来自不同的载体源时,即在载体源失配的条件下,通常会使一个表现优异的隐写分析器检测准确率下降.在实际应用中,隐写分析人员往往需要处理从互联网上采集的图像.然而,与训练集数据相比,这些可疑图像很可能具有完全不同的捕获和处理历史,导致隐写分析模型可能出现不同程度的检测性能下降,这也是隐写分析工具在现实应用中很难成功部署的原因.为了提高基于深度学习的隐写分析方法的实际应用价值,对测试样本信息加以利用,使用领域自适应方法来解决载体源失配问题,将训练集数据作为源领域,将测试集数据作为目标领域,通过最小化源领域与目标领域之间的特征分布差异来提高隐写分析器在目标领域的检测性能,提出了一种对抗子领域自适应网络(ASAN,adversarial subdomain adaptation network).一方面从生成特征的角度出发,要求隐写分析模型生成的源领域特征和目标领域特征尽可能相似,使判别器分辨不出特征来自哪一个领域;另一方面从减小域间特征分布差异的角度出发,采用子领域自适应方法来减少相关子领域分布的非期望变化,有效地扩大了载体与载密样本之间的距离,有利于分类精度的提高.通过在多个数据集上对3种隐写算法进行检测,证实了所提方法可以有效地提升模型在数据集失配和算法失配时的检测准确率,减少了失配问题带给模型的负面影响.
文献关键词：
图像隐写分析;载体源失配;对抗学习;领域自适应
中图分类号：
作者姓名：
章蕾;王宏霞
作者机构：
四川大学网络空间安全学院,四川 成都 610065
文献出处：
引用格式：
[1]章蕾;王宏霞-.用于失配隐写分析的对抗子领域自适应网络)[J].网络与信息安全学报,2022(03):76-86
A类：
载体源失配,ASAN
B类：
子领域自适应,域自适应网络,训练集,测试集,分析器,检测准确率,可疑,检测性能,性能下降,现实应用,自适应方法,源领域,特征分布,分布差异,adversarial,subdomain,adaptation,network,模型生成,判别器,不出,关子,领域分布,分类精度,隐写算法,和算,带给,图像隐写分析,对抗学习
AB值：
0.213925
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
