《基於深度信念網路的圖像隱寫分析》是依託上海大學，由馮國瑞擔任項目負責人的面上項目。
基本介紹
- 中文名：基於深度信念網路的圖像隱寫分析
- 項目類別：面上項目
- 項目負責人：馮國瑞
- 依託單位：上海大學
中文摘要,結題摘要,
中文摘要
本項目研究基於圖像特徵提取和模式分類的隱寫分析技術，將深度信念網路(DBN)的理論和方法用於特徵分類，通過分析隱寫引起的最大差異化特徵，結合多源特徵篩選，從有監督學習開始逐漸深入，最終實現無監督低複雜度通用隱寫分析。研究內容包括：1、利用貝葉斯網理論對非平衡圖像集進行隨機重採樣，提高少數類識別準確率；2、針對基於圖像特性的自適應隱寫，為多個最佳化目標依次建立能量函式，用級聯結構DBN擬合能量函式，實現多任務識別；3、在輸出層選擇非一致核函式，增加輸出結果的差異性，形成集成DBN，優於單獨學習；4、平衡訓練複雜度與分類精度的關係，單層學習中用廣義遞歸最小二乘代替貪婪算法；聯合最佳化選擇共軛梯度法降低複雜度。項目的創新性在於：建立無監督通用隱寫分析模型、實現非平衡集DBN自適應訓練、基於DBN實現異構特徵的融合。無監督DBN學習將成為隱寫分析的一個新方向，對於提高反隱寫檢測能力將發揮積極作用。
結題摘要
項目對隱寫分析的特徵精煉和分類融合兩項關鍵技術進行研究，把深度學習中的特徵映射、特徵表示和特徵分類思想運用到現有的隱寫分析框架，針對實用隱寫分析中存在的特徵提取速度慢、含密圖像不易獲得、訓練與測試圖像模式不匹配等問題，提出通過定義特徵相似度量，利用深度信念網路等深度學習模型思想提高特徵的表征能力和分類器的泛化能力。通過空域、變換域聯合提取直方圖和共生矩陣特徵，藉助特徵篩選、數值最佳化等理論得到特徵的最佳分類結果。在隱寫算法未知的情況下，通過後驗學習的分層訓練和聯合最佳化，結合隱寫分析的實際情況，平衡訓練模型複雜度與識別準確率的關係，實現通用無監督隱寫分析方案，建立可信賴的隱寫檢測評價機制，為面向實用的隱寫分析提供理論支撐。該項目主要工作共發表論文20篇，其中SCI檢索論文9篇，EI檢索期刊論文9篇，會議論文5篇。
