《面向不平衡數據和代價敏感學習的圖像隱寫分析》是依託上海大學，由馮國瑞擔任項目負責人的聯合基金項目。
基本介紹
- 中文名：面向不平衡數據和代價敏感學習的圖像隱寫分析
- 項目類別：聯合基金項目
- 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
實用隱寫分析面臨有效特徵提取速度慢、含密圖像不易獲得，虛警和漏檢造成的後果不同等關鍵問題。為此，項目研究面向不平衡數據處理和代價敏感學習的隱寫檢測新方法，研究內容包括：（1）提取低複雜度特徵，利用局部二值模式檢測圖像紋理結構，以紋理方向的轉移機率矩陣係數作為特徵，有效表示隱寫信息對應的變化。（2）針對低嵌入率隱寫，引入正則化的稀疏表示和形態成分分析，放大隱寫帶來的圖像差異，利用隨機投影法和共生矩陣提取有效特徵。（3）含密圖像較少時，藉助特徵域非線性插值和多視角重採樣配準技術增加特徵數量，使分類器在高維空間中能構建有效的分割曲面，提高檢測準確率。（4）通過代價懲罰矩陣指導級聯分類器參數最佳化，解決虛警和漏檢代價不一致問題。項目根據隱寫分析的實際情況，通過多尺度信息選擇有效特徵子集，減少訓練複雜度，平衡複雜度與分類準確率之間關係，藉助增強學習得到混合嵌入率隱寫檢測結果，建立適用於複雜套用環境的驗證系統。
結題摘要
本項目針對在實戰環境下隱寫分析面臨的特徵提取速度慢、含密圖像不易獲得，虛警和漏檢代價不同等問題，提出了面向不平衡數據處理和代價敏感學習的隱寫檢測新方法。針對隱寫分析的特徵提取、特徵精煉與分類判別等各個階段進行研究，綜合考慮監督學習、半監督學習和無監督學習等多種情況，提出了低複雜度特徵、特徵投影和單類判別等成果，進一步利用最新的深度學習框架把特徵表征與分類判別融合成一個框架。項目實施基本按原計畫進行，取得了以下成果：（1）基於卷積神經網路集成和密度連線網路的隱寫分析方法；（2）利用特徵選擇和特徵降維的特徵精煉表示方法；（3）利用特徵投影降維的特徵分類方法；（4）適用於非平衡數據訓練的特徵插值方法；（5）基於特徵投影和自聚類的無監督隱寫分析方法；（6）圖像像素間相關性估計方法；（7）共生矩陣隱寫分析特徵的外包計算。該項目主要工作共發表論文18篇，錄用待發表論文2篇，其中IEEE Trans論文4篇，其中SCI檢索論文7篇，SCI源刊發表待檢索論文5篇，EI檢索期刊論文12篇，EI檢索會議論文2篇，項目期間獲得授權專利1項，申請專利5項，並獲得省部級獎勵1項。
