(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210189812.X (22)申请日 2022.02.28 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 罗向阳　李浩　张祎　张倩倩　 张佩　张明亮　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 刘莹莹 (51)Int.Cl. G06V 10/20(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06N 3/04(2006.01) (54)发明名称 基于倒残差结构的孪生卷积网络隐写分析 框架 (57)摘要 本发明提供一种基于倒残差结构的孪生卷 积网络隐写分析框架。 该框架依次包括图像预处 理模块、 图像特征提取模块和图像分类模块； 图 像预处理模块， 用于采用高通滤波结合深度可分 离神经网络的方式预处理图像以获取图像的通 道间残差的相关性； 图像预处理模块包括两个结 构相同的预处理分支； 图像特征提取模块， 用于 提取图像特征； 图像特征提取模块包括两个结构 相同的特征提取分支； 图像分类模块， 用于对两 个特征提取分支所提取的特征进行融合， 根据融 合后特征将图像 分为载体图像和载密图像； 图像 分类模块包括分别连接两个特征提取分支的两 个全局平均池化层， 连接两个全局平均池化层的 损失函数以及最后的全连接层。 权利要求书1页 说明书6页 附图4页 CN 114581645 A 2022.06.03 CN 114581645 A 1.基于倒残差结构的孪生卷积网络隐写分析框架， 其特征在于， 依次包括图像预处理 模块、 图像特 征提取模块和图像分类模块； 所述图像预处理模块， 用于采用高通滤波结合深度 可分离神经网络的方式预处理图像 以获取图像的通道间残差的相关性； 所述图像预处理模块包括两个结构相同的预处理分 支； 每个所述预处理分支依次包括滤波层、 两个深度可分离神经网络层和三个第一Block 块； 所述图像特征提取模块， 用于提取图像特征； 所述图像特征提取模块包括两个结构相 同的特征提取分支； 每个所述特征提取分支依次包括倒残差网络层和两个Block块组； 每个 所述Block块组依次包括 一个第二Bl ock块和一个第一Bl ock块； 所述图像分类模块， 用于对两个特征提取分支所提取的特征进行融合， 根据融合后特 征将图像分为载体图像和载密图像； 所述图像分类模块包括分别连接两个特征提取分支的 两个全局平均池化层， 连接 两个所述全局平均池化层的损失函数以及最后的全连接层； 其中， 两个所述预处 理分支和两个所述特 征提取分支均分别共享权 重值。 2.根据权利要求1所述的一种针对不同尺寸图像的隐写分析网络结构， 其特征在于， 所 述滤波层包括3 0个SRM线性滤波 核。 3.根据权利要求1所述的一种针对不同尺寸图像的隐写分析网络结构， 其特征在于， 所 述深度可分离神经网络层依次包括第一Specon块、 Relu函数和第二Specon块； 所述第一 Specon块依次包括3 ×3的深度卷积、 绝对值层、 逐点卷积和BN层； 所述第二Specon块依次包 括3×3的深度卷积、 逐点卷积和BN层。 4.根据权利要求1所述的一种针对不同尺寸图像的隐写分析网络结构， 其特征在于， 所 述倒残差网络层依次包括第一部分、 第二部分和第三部分； 所述第一部分依 次包括1×1的 卷积层、 BN层和Relu6激活函数； 所述第二部分依次包括3 ×3的深度卷积、 BN层和Relu6激活 函数； 所述第三部分依次包括1 ×1的卷积层和BN层； 所述第一部分的输入和第三部分的输 出经过⊕运算后的输出即为所述倒残差网络层的输出。 5.根据权利要求1所述的一种针对不同尺寸图像的隐写分析网络结构， 其特征在于， 所 述第一Block块依次包括第一部 分和第二部分； 所述第一部分依次包括3 ×3的卷积层、 BN层 和Relu函数； 所述第二部分依次包括3 ×3的卷积层和BN层； 所述第一部分 的输入和第二部 分的输出 经过⊕运算后再输入至Relu函数后的输出即为所述第一Bl ock块的输出。 6.根据权利要求1所述的一种针对不同尺寸图像的隐写分析网络结构， 其特征在于， 所 述第二Block块包括第一部 分、 第二部 分和第三部 分； 所述第一部 分和所述第三部分具有相 同的输入； 所述第一部分的输出作为第二部分的输入； 第二部分的输出和第三部分的输出 经过⊕运算后再输入至Relu函数后的输出即为所述第二Block块的输出； 所述第一部分依 次包括3×3的卷积层、 BN层和Relu6激活函数； 所述第二部分依次包括3 ×3的卷积层和BN 层； 所述第三部分依次包括1 ×1的卷积层和BN层。权　利　要　求　书 1/1 页 2 CN 114581645 A 2基于倒残差结构的孪生卷积网 络隐写分析框架 技术领域 [0001]本发明涉及隐写分析技术领域， 尤其涉及 一种基于倒残差结构的孪生卷积网络隐 写分析框架。 背景技术 [0002]随着智能设备的发展， 当前以图像为主的多媒体文件呈爆炸式增长， 以图像为载 体在互联网上传递已成为重要信息重要的通信方式之一。 由于隐写算法和软件的发展， 不 法分子利用这种技术将非法信息隐藏在图像中进行传递信息， 而不被轻易发现， 这样的行 为威胁到社会安全， 而且这些载密图像不只是同一尺寸的， 还包含不同尺寸的图像。 因此需 要研究人员研究相应的隐写分析 方法来应对这种威胁。 [0003]为此， Tsang和Fridrich(文献1： Tsang  C F,Fridrich  J.Steganalyzing  images  of arbitrary  size with CNNs.Electron.I mag,2018,2018(7):1 –8)设计一种基于不同尺 寸检测器(SID)。 但是该网络结构还不够完善， 对于不同和大型的数据集， 其性能的准确性 略有下降， 检测准确率 仍然有待提升。 发明内容 [0004]针对当前对不同尺寸图像隐写分析检测准确低的问题， 本发明提供一种基于倒残 差结构的孪生卷积网络隐写分析框架。 [0005]本发明提供一种基于倒残差结构的孪生卷积网络隐写分析框架， 依次包括图像预 处理模块、 图像特 征提取模块和图像分类模块； [0006]所述图像预处理模块， 用于采用高通滤波结合深度可分离神经网络的方式预处理 图像以获取图像的通道间残差的相关性； 所述图像预 处理模块包括两个结构相同的预 处理 分支； 每个所述预 处理分支依次包括滤波层、 两个深度可分离神经网络层和三个第一Block 块； [0007]所述图像特征提取模块， 用于提取图像特征； 所述图像特征提取模块包括两个结 构相同的特征提取分支； 每个所述特征提取分支依次包括倒残差网络层和两个Block块组； 每个所述Bl ock块组依次包括 一个第二Bl ock块和一个第一Bl ock块； [0008]所述图像分类模块， 用于对两个特征提取分支所提取的特征进行融合， 根据 融合 后特征将图像分为载体图像和载密图像； 所述图像分类模块包括分别连接两个特征提取分 支的两个全局平均池化层， 连接两个所述全局平均池化层的损失函数以及最后的全连接 层； [0009]其中， 两个所述预处 理分支和两个所述特 征提取分支均分别共享权 重值。 [0010]进一步地， 所述滤波层包括3 0个SRM线性滤波 核。 [0011]进一步地， 所述深度可分离神经网络层依次包括第一Specon块、 Relu函数和第二 Specon块； 所述第一Specon块依次包括3 ×3的深度卷积、 绝对值层、 逐点卷积和BN层； 所述 第二Speco n块依次包括3 ×3的深度卷积、 逐点卷积和BN层。说　明　书 1/6 页 3 CN 114581645 A 3