基于多层感知卷积和通道加权的图像隐写检测

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net,Yedroudj-Net,Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%~6.15%。

基于Network In Network网络结构的高光谱影像分类方法

为进一步提高高光谱影像分类精度,通过引入Network In Network网络结构,构建了一种新的网络模型。该网络模型能够对局部感受野内的数据进行更加抽象的建模,从而能够对影像中的空谱联合特征进行更为抽象的表达。通过在Pavia University和Indian Pines两个数据集上进行验证,实验结果表明,所构建的网络模型能够有效提高分类精度,在减少训练样本的条件下仍具有较好的分类性能。

针对图像隐写分析的卷积神经网络结构改进

针对目前图像隐写分析准确率较低的问题,构建一个基于多层感知卷积层的卷积神经网络隐写分析模型。使用多层感知卷积层代替传统的线性卷积层,提高模型的非线性能力,提取载体/隐写图像更抽象的特征。采用全局平均池化层代替全连接层,以减少网络的参数并提高模型的训练效率。实验结果表明,相比传统的图像隐写分析算法和现有的卷积神经网络隐写分析模型,该模型能够有效提高隐写分析的检测准确率,对S-UNIWARD嵌入算法的隐写分析检测准确率达到90. 87%。

基于卷积神经网络嵌套模型的人群异常行为检测

为了提高对运动目标的精确提取,减少冗余特征信息,提升算法的泛化性能和非线性拟合能力,提出基于卷积神经网络嵌套模型的人群异常行为检测方法。通过嵌套mlpconv层改进卷积神经网络结构,利用混合高斯模型有效、精确地提取出视频中前景目标。嵌套多层的mlpconv层自动学习前景目标的深度层次特征,生成的特征图经过向量化处理输入到与全连接层相连的Softmax分类器进行人群中异常行为检测。仿真实验结果表明,该算法减少了对冗余信息的获取,缩短了算法运算时间和学习时间,改进的卷积神经网络在泛化性能和非线性拟合能力都有提高,对人群异常行为检测取得较高准确率。