信息技術(shù)的發(fā)展與互聯(lián)網(wǎng)的進(jìn)步使網(wǎng)絡(luò)交互變得日趨便利與頻繁,關(guān)于軍事、政治、金融、商業(yè)等對(duì)國家、企業(yè)或個(gè)人而言十分敏感的信息大量充斥在網(wǎng)絡(luò)交互中。為了確保數(shù)據(jù)的安全,通常使用加密技術(shù),將明文隱秘消息編碼成無意義的密文,但這個(gè)行為本身帶來了潛在隱患,暴露了隱秘信息的存在,從而引來攻擊。而具有傳輸行為“偽裝性”的數(shù)字信息隱藏技術(shù),能夠在保障傳輸信息的內(nèi)容安全的同時(shí),也使得傳輸信息的行為難以被感知。作為信息隱藏技術(shù)的重要組成部分,圖像自適應(yīng)隱寫技術(shù)在信息安全的保障中發(fā)揮了重要作用,該技術(shù)通過對(duì)載體圖像元素定義合理的失真,選擇合適的載體元素嵌入秘密消息。然而隨著高維特征自適應(yīng)隱寫分析與深度學(xué)習(xí)隱寫分析技術(shù)的快速發(fā)展,圖像自適應(yīng)隱寫面臨了新的挑戰(zhàn),傳統(tǒng)單一形式的失真函數(shù)已不再能滿足隱寫的安全性要求,因此研究圖像自適應(yīng)隱寫的失真函數(shù)演化方法,以進(jìn)一步提高隱寫的抗檢測能力,具有重要的意義和價(jià)值。提升圖像自適應(yīng)隱寫的抗檢測能力需要解決三個(gè)關(guān)鍵問題,一是打破隱寫算法本身的單一性,二是干擾高維特征自適應(yīng)隱寫分析的針對(duì)性檢測,三是對(duì)抗深度學(xué)習(xí)隱寫分析的高效學(xué)習(xí)能力。圍繞這三個(gè)關(guān)鍵問題,本文研究了圖像自適應(yīng)隱寫... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：144 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

010年美俄間諜案新聞報(bào)道

自適應(yīng)隱寫分析通常會(huì)在高概率修改的載體位置提取特征，實(shí)準(zhǔn)確率的檢測，而對(duì)于深度學(xué)習(xí)隱寫分析而言，這種確定的失真函數(shù)本身就個(gè)學(xué)習(xí)對(duì)象。深度學(xué)習(xí)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力能夠準(zhǔn)確學(xué)習(xí)到失真函數(shù)的定式，準(zhǔn)確找到載密圖像中修改點(diǎn)的位置，從而有效提取特征，進(jìn)行分類識(shí)別為了對(duì)抗這種高強(qiáng)度的檢測分析，一些開創(chuàng)性的工作被提出［８５，８６］。Ｓｈｉ［８５人利用生成對(duì)抗網(wǎng)絡(luò)ＧＡＮ?（Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ?Ｎｅｔｗｏｒｋｓ）生成的方式，ＧＯ失真函數(shù)作為輸入，通過判決器，在噪聲Ｎ的基礎(chǔ)上生成了服從ＨＵＧＯ率分布的失真樣本，形成了修改模式不固定的新失真函數(shù)。生成對(duì)抗網(wǎng)絡(luò)??發(fā)自博弈論中的二人零和博弈（ｔｗｏ－ｐｌａｙｅｒｇａｍｅ），ＧＡＮ模型中的兩個(gè)博弈別由生成式模型（ｇｅｎｅｒａｔｉｖｅ?ｍｏｄｅｌ）和判別式模型（ｄｉｓｃｒｉｍｉｎａｔｉｖｅ?ｍｏｄｅｌ）。生成模型捕捉樣本數(shù)據(jù)Ｘ的分布，用服從某一分布（均勻分布，高斯分）的噪聲Ｚ生成一個(gè)類似真實(shí)訓(xùn)練數(shù)據(jù)的樣本Ｎ，追求效果是越像真實(shí)樣本；判別模型是一個(gè)二分類器，估計(jì)一個(gè)樣本來自于訓(xùn)練數(shù)據(jù)（而非生成數(shù)概率，如果樣本來自于真實(shí)的訓(xùn)練數(shù)據(jù)，判別模型輸出大概率，否則，判別輸出小概率�；谏蓪�(duì)抗網(wǎng)絡(luò)的隱寫失真函數(shù)生成模型如圖１．４所示。??

１．４論文體系結(jié)構(gòu)??本學(xué)位論文圍繞失真函數(shù)的演化方法，著重開展四個(gè)研究內(nèi)容，學(xué)位論文共??分為七章，論文體系安排與各研宄點(diǎn)之間的關(guān)聯(lián)如圖１．５所示。本學(xué)位論文各章??９??


本文編號(hào)：3412886