大數據圖像環境下的深度隱寫分析關鍵理論和技術研究

《大數據圖像環境下的深度隱寫分析關鍵理論和技術研究》是依託武漢大學，由葉登攀擔任項目負責人的聯合基金項目。

基本介紹

• 中文名：大數據圖像環境下的深度隱寫分析關鍵理論和技術研究
• 項目類別：聯合基金項目
• 項目負責人：葉登攀
• 依託單位：武漢大學

項目摘要

針對網際網路圖像的隱寫分析研究，在當前國家反恐形勢下具有重要價值。網路大數據環境下，傳統的圖像隱寫分析方法面臨挑戰。當前深度學習被廣泛用於圖像分類和識別領域，取得顯著進展，也被用於隱寫分析的最新研究。相比淺層特徵提取方法，深度學習被寄予希望構造出表達能力更強的深度隱寫特徵。但是，現有深度隱寫分析方法存在深度隱寫特徵學習模型針對性不足、載體多樣化導致的失配和未知隱藏算法無法檢測等問題，在大數據環境下的有效性亟待改進。本課題前瞻性地針對以上問題，研究大數據環境下的圖像深度隱寫分析關鍵理論和方法，包括隱寫特徵的混合深度學習模型與最佳化方法、面向隱寫分析的深度遷移學習理論和方法、基於不規則多超球體多分類器和半監督深度聚類的未知隱寫對象發現方法等。本項目旨在從隱寫特徵的深度表達、隱寫分析模型的深度遷移、未知隱秘對象的深度發現等方面取得創新成果，從而為解決網路大數據隱寫分析難題提供理論基礎和技術支撐。

結題摘要

移動網際網路、雲計算、大數據等技術快速發展的背景下，深度隱寫分析理論與方法為網路空間信息安全、國家安全和軍事情報等領域提供了技術捷徑。本項目針對網路空間大數據環境下數據量大、更新快、多樣性、噪聲多的特點，分別在專用隱寫分析卷積神經網路結構、高效的遷移學習的隱寫模型、基於對抗樣本的隱寫分析模型安全分析等方面進行了研究，取得了一系列的成果，可為深度學習隱寫分析提供關鍵支撐。重要成果包括：（1）基於隱寫分析特徵的是微小殘差的特點，提出基於中一種減小信息丟失的專用深度隱寫分析網路，在網路中選擇性的放棄池化層與壓縮層數的操作來得到隱寫的特徵，所提出的方法相比目前的隱寫模型具有較高的準確率。（2）面向深度學習模型的泛化能力差的安全性問題，基於對抗樣本的思想，構建白盒與黑盒條件下的隱寫對抗樣本，對抗樣本能夠誤導目標隱寫分析模型給出錯誤分類，同時能隱藏一定量的信息，為提升隱寫分析模型安全提供數據基礎。（3）基於多尺度模型訓練的思想，提出混雜樣本的隱寫分析方案，在解決不同隱寫算法且嵌入率隨機的隱寫問題中，採用結合傳統機器學習與深度隱寫分析的多尺度模型訓練的方法，提出一種可檢測混雜隱寫的隱寫分析方案，並套用此方法在全國信息隱藏大賽中獲得隱寫分析三等獎。 另外，課題組在基於對抗樣本的安全隱寫，基於生成模型的深度音頻隱寫、多媒體取證、群智感知、隱寫分析生成音視頻取證進行了研究並取得了重要結果，是對本項目大數據環境下的隱寫分析研究的衍生工作，具有積極的支撐意義。 課題組已發表學術論文18篇，其中被SCI收錄13篇，EI收錄21篇。有4項國家發明專利公開，其中2項已授權。指導碩士生2名，指導博士生3名。參與多次學術會議。