[论文解读] JPEG Steganalysis Based on DenseNet

Jianhua Yang, Yun-Qing Shi+2 more|arXiv (Cornell University)|Nov 26, 2017

Advanced Steganography and Watermarking Techniques参考文献 26被引用 21

一句话总结

本文提出一种基于32层DenseNet的CNN架构用于JPEG隐写分析，通过密集连接增强特征复用，改善信息流动并减少参数量。此外，提出CNN-SCA-GFR集成方法，将CNN与传统SCA-GFR结合，实现SOTA检测准确率，在0.1和0.4 bpnzAC下错误率分别较XuNet降低5.67%和4.41%，同时仅使用XuNet 17%的参数。

ABSTRACT

Different from the conventional deep learning work based on an images content in computer vision, deep steganalysis is an art to detect the secret information embedded in an image via deep learning, pose challenge of detection weak information invisible hidden in a host image thus learning in a very low signal-to-noise (SNR) case. In this paper, we propose a 32- layer convolutional neural Networks (CNNs) in to improve the efficiency of preprocess and reuse the features by concatenating all features from the previous layers with the same feature- map size, thus improve the flow of information and gradient. The shared features and bottleneck layers further improve the feature propagation and reduce the CNN model parameters dramatically. Experimental results on the BOSSbase, BOWS2 and ImageNet datasets have showed that the proposed CNN architecture can improve the performance and enhance the robustness. To further boost the detection accuracy, an ensemble architecture called as CNN-SCA-GFR is proposed, CNN-SCA- GFR is also the first work to combine the CNN architecture and conventional method in the JPEG domain. Experiments show that it can further lower detection errors. Compared with the state-of-the-art method XuNet [1] on BOSSbase, the proposed CNN-SCA-GFR architecture can reduce detection error rate by 5.67% for 0.1 bpnzAC and by 4.41% for 0.4 bpnzAC while the number of training parameters in CNN is only 17% of what used by XuNet. It also decreases the detection errors from the conventional method SCA-GFR by 7.89% for 0.1 bpnzAC and 8.06% for 0.4 bpnzAC, respectively.

研究动机与目标

• 通过深度学习提升对低信噪比（low-SNR）JPEG图像中隐写信号的检测能力。
• 通过利用密集连接增强CNN中特征复用与信息流动，提升隐写分析性能。
• 在不牺牲性能的前提下降低模型复杂度与参数量。
• 将深度学习与传统JPEG隐写分析方法（SCA-GFR）结合，提升鲁棒性与准确率。
• 通过端到端深度学习与混合架构，建立JPEG隐写分析的新SOTA基准。

提出的方法

• 所提出的CNN采用32层结构，通过密集连接将相同空间尺寸的所有前序层特征进行拼接，以增强特征复用与梯度流动。
• 预处理包括高通滤波与解压缩JPEG图像的截断操作，以提取与隐写相关的特征。
• 在每个卷积层后应用批量归一化与ReLU激活，以稳定训练并提升收敛性。
• 分类器采用全连接层后接Softmax，输出原始图像/隐写图像的概率。
• 集成方法CNN-SCA-GFR通过拼接9个训练好的CNN模型（每个输出160D特征）与SCA-GFR（17,000D特征），并平均最终概率，实现融合。
• 该集成方法使用CNN平均池化层的中间特征，而非仅依赖最终Softmax输出，以提升多样性与准确率。

实验结果

研究问题

• RQ1 CNN中的密集连接是否能提升低信噪比JPEG隐写分析中的特征传播与检测准确率？
• RQ2 深度学习与传统隐写分析方法（SCA-GFR）的混合集成是否优于独立的深度学习模型？
• RQ3 与SOTA方法如XuNet相比，所提出的CNN在参数效率与性能方面表现如何？
• RQ4 该架构在BOSSbase、BOWS2与ImageNet等不同数据集上是否具备良好的泛化能力？
• RQ5 在CNN框架中引入选择性通道感知特征是否能进一步增强隐写分析的鲁棒性？

主要发现

• 在0.1 bpnzAC下，所提CNN-SCA-GFR集成方法相比XuNet错误率降低5.67%；在0.4 bpnzAC下降低4.41%。
• 在0.1 bpnzAC下，相比传统SCA-GFR错误率降低7.89%；在0.4 bpnzAC下降低8.06%。
• 所提CNN仅使用17%的参数量（0.88M），远低于XuNet的5.48M，显著提升模型效率。
• 在BOWS2数据集上，所提方法在所有载荷水平下均优于XuNet与SCA-GFR，表现出更强鲁棒性。
• 在ImageNet上，所提CNN在0.4 bpnzAC下错误率为15.34%，优于XuNet的22.28%，展现出在大规模数据上的强可扩展性。
• 在ImageNet上的验证误差曲线显示，所提CNN收敛更快且误差更低，优于XuNet。