公开(公告)号：CN118799620A

公开(公告)日：2024-10-18

申请号：CN202410769928.X

申请日：2024-06-14

Applicant: 北京印刷学院

Inventor： 李芸伟 ,  于丽芳 ,  翁韶伟

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74

Abstract: 本发明公开一种对抗性双分类器深度隐写分析网络训练方法及装置，将双分类器对抗学习引入隐写分析以解决CSM发生时性能下降问题的工作。利用Mixup生成用于训练的中间域，增加样本的多样性并提高检测精度。采用非均匀训练策略，即两个分类器C1和C2在训练期间经历不同的处理，并在分类器的预测上引入了F‑范数。对于C1最小化其F‑范数以缩小决策边界，促进学习域不变特征；对于C2最大化其F‑范数以扩展决策边界，确保目标样本预测的高确定性。最后，在优化特征提取器的过程中引入两个域之间的梯度相似性来评估预测的准确性。本发明通过梯度相似性的应用，确保了预测的准确性，实现模型对目标样本进行精确分类。

公开(公告)号：CN116993566A

公开(公告)日：2023-11-03

申请号：CN202310597511.5

申请日：2023-05-24

Applicant: 北京印刷学院

Inventor： 李芸伟 ,  于丽芳 ,  翁韶伟

IPC: G06T1/00 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明提供一种对有效载荷鲁棒的图像隐写分析模型训练方法、分析方法及装置，包括：基于不同嵌入率和隐写方法构建训练样本集；获取待训练的学生模型和预训练好的多个教师模型，将图像样本输入各教师模型，通过设有温度的Softmax函数输出第一置信度分数，构建BE损失和CE损失得到总损失，对于各图像样本根据总损失为教师模型分配权重，并根据权重将各教师模型的第一置信度分数加权求和，得到各图像样本的总软目标；对学生模型进行训练，将图像样本输入学生模型，得到第二置信度分数并匹配总软目标，并构建CE损失、距离损失和角度损失，优化学生模型，最终得到图像隐写分析模型。本发明提供的模型极大地提升了在存在嵌入率失配问题时的检测精度。