-
题名融合残差网络和极限梯度提升的音频隐写检测模型
被引量：2
- 1
-
-
作者
陈朗
王让定
严迪群
林昱臻
-
机构
宁波大学信息科学与工程学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第2期449-455,共7页
-
基金
国家自然科学基金资助项目(U1736215,61672302,61901237)
浙江省自然科学基金资助项目(LY20F020010,LY17F020010)
+2 种基金
浙江省移动网应用技术重点实验室开放基金资助项目(F2018001)
宁波大学王宽诚幸福基金资助项目
宁波大学研究生科研创新基金资助项目(IF2020131)。
-
文摘
针对目前音频隐写检测方法对基于校验网格编码(STC)的音频隐写检测准确较低的问题,考虑到卷积神经网络(CNN)在抽象特征提取上的优势,提出一种融合深度残差网络(DRN)和极限梯度提升(XGBoost)的音频隐写检测模型。首先,利用固定参数的高通滤波器(HPF)预处理输入的音频,并通过三个卷积层提取特征,其中第一个卷积层使用了截断线性单元(TLU)激活函数,使得模型适应低信噪比(SNR)下的隐写信号分布;其次,通过五个阶段的残差块和池化操作进一步提取抽象特征;最后,经过全连接层和Dropout层将提取的高维特征作为XGBoost模型的输入进行分类。分别对STC隐写和最低有效位匹配(LSBM)隐写进行检测,实验结果表明,所提出的模型在0.5 bps、0.2 bps、0.1 bps三种嵌入率下,即音频每个采样值平均修改的比特数分别为0.5、0.2、0.1时,对子校验矩阵高度为7的STC隐写的平均检测准确率分别为73.27%、70.16%、65.18%,对LSBM隐写的平均检测准确率分别为86.58%、76.08%、72.82%。相较于传统提取手工特征的隐写检测方法和深度学习隐写检测方法,所提模型对两种隐写算法的平均检测准确率均提高了10个百分点以上。
-
关键词
深度残差网络
极限梯度提升
校验网格编码隐写
最低有效位匹配隐写
音频隐写检测
-
Keywords
Deep Residual Network(DRN)
eXtreme Gradient Boosting(XGBoost)
Syndrome-Trellis Codes(STC)steganography
Least Significant Bit Matching(LSBM)steganography
audio steganography detection
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
