论文《Deep learning for steganalysis via convolutional neural》解读
概述
这篇文章主要针对隐写分析提出了GNCNN，可以自动学习特征然后进行分类，与其他图像处理工作一样，传统的方法需要人工提取特征再进行分类。文章在三种最新的空域隐写算法（HUGO，WOW，and S-UNIWARD）上证明了该模型的有效性。
模型结构
该模型主要由三部分构成：Image Processing Layer、Convolutional Layer 和Classification Layer。
Image Processing Layer
本文在图像处理层使用预先定义的高通滤波器进行滤波操作。通常添加到cover的高频隐写特征是一种非常弱的信号，受图像内容影响很大。通过高通滤波操作，旨在增强弱隐写信号并减少图像内容的影响。
其中I表示image，R表示高通滤波操作后的image，K为：
Convolutional Layer
这里主要亮点就是每层卷积用高斯函数作为**函数，作者希望网络capture的特征是prediction error，那么从分类的角度来说，希望prediction error为0的那些数据，也就是所谓的cover signal，在activation之后，能够和那些有stego 的信号输出差异更大。那么Gaussian function就是一个很好的选择，因为它只有在0附近取值较大，对应于cover，其他取值较小。
pooling阶段，用了avg pool 而不是 max pool，因为作者认为max pool只提取了最重要的feature，因此会丢失信息，而steganalysis任务信号比较弱，可能受影响，因此用了avg pool。