[发明专利]一种基于深度学习的隐写分析混合集成方法在审

专利信息
申请号: 201811577459.2 申请日: 2018-12-24
公开(公告)号: CN109754002A 公开(公告)日: 2019-05-14
发明(设计)人: 冯国瑞;王硕 申请(专利权)人: 上海大学
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06T1/00
代理公司: 上海上大专利事务所(普通合伙) 31205 代理人: 陆聪明
地址: 200444*** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 高通滤波器 残差图像 分类结果 混合集成 特征输入 隐写分析 分类器 高维 降维 卷积神经网络 训练网络模型 分类准确度 差异特征 集成学习 特征保存 特征融合 数据集 有效地 池化 构建 加载 加权 输出 学习 保存 分类 投票
【说明书】:

发明涉及一种基于深度学习的隐写分析混合集成方法,具体操作步骤如下:划分数据集,通过高通滤波器得到残差图像,构建卷积神经网络,训练网络模型,保存最优的若干个模型,分别加载模型,将池化层的输出作为特征保存下来;改变高通滤波器,产生不同的残差图像,得到差异特征,进行特征融合后得到高维特征;将高维特征输入到PCA中进行降维;将降维后的特征输入到xgboost分类器,SVM分类器,KNN分类器中进行分类;将得到的分类结果进行集成学习,通过加权投票得到最终的分类结果。本发明可以有效地提高分类器的分类准确度。

技术领域

本发明涉及一种基于深度学习的隐写分析混合集成方法。

背景技术

隐写技术是信息隐藏技术的一个重要分支,隐写术是以图像、文本等数字媒体作为载体,把要发送的秘密信息嵌入到载体信号内部,以不引起第三方注意的方式通过公共信道。隐写分析技术主要是揭示数字媒体中秘密信息的存在性。

图像隐写分析是判断图像中是否含有秘密信息。在隐写分析技术中,图像特征的提取十分重要,随着隐写技术的不断提高,特征的设计也越来越复杂,卷积神经网络因为其可以自动提取特征而备受关注。卷积神经网络是一类有效的深度学习框架,而深度学习是机器学习的一个重要分支,除了深度学习,机器学习还包含其他许多分类器,如xgboost、SVM,它们都因训练速度较快、分类精度较高等特点而被广泛使用。在现有的分类方法中,卷积神经网络取得了不错的效果,但因为卷积神经网络匹配的Sigmoid分类器结构简单,分类效果没有传统机器学习分类器好。

集成分类器通过对多个子分类器的分类结果进行某种组合来决定最终的分类结果,性能往往优于单一的分类器,集成学习的个体学习器有同质和异质两种情况,同质即所有个体学习器是同一个种类,异质即所有个体学习器不全是同一个种类,异质个体学习器增加了学习器之间的多样性,因此,我们通过卷积神经网络来提取图像特征,将xgboost、SVM和KNN分类器进行混合集成以提高分类精度。

发明内容

本发明的目的是针对现有隐写分析的不足,提出一种基于深度学习的隐写分析混合集成方法。在使用卷积神经网络来提取图像相关特征并集成得到高维特征之后,用xgboost、SVM和KNN进行混合集成以提高模型的分类精度,更加适用于实际应用场景。

为达到上述目的,本发明采用如下技术方案:

一种基于深度学习的隐写分析混合集成方法,具体操作步骤如下:

(1)划分数据集,通过高通滤波器得到残差图像,构建卷积神经网络,训练网络模型,保存最优的若干个模型,分别加载模型,将池化层的输出作为特征保存下来;

(2)改变高通滤波器,产生不同的残差图像,重复步骤(1),得到差异特征,进行特征融合后得到高维特征;

(3)将高维特征输入到PCA中进行降维;

(4)将步骤(3)降维后的特征输入到xgboost分类器中进行分类;

(5)将步骤(3)降维后的特征输入到SVM分类器中进行分类;

(6)将步骤(3)降维后的特征输入到KNN分类器中进行分类;

(7)将步骤(4)、步骤(5)和步骤(6)得到的分类结果进行集成学习,通过加权投票得到最终的分类结果。

所述步骤(1)中,将数据集随机划分为测试集和训练集,从训练集中选取一部分数据作为验证集,通过高通滤波器得到噪声残差作为卷积神经网络的输入,卷积神经网络基本结构主要包括卷积层、批归一化层、ReLU层和池化层,训练网络模型,利用验证集选取效果最好的若干个模型保存,加载模型,将最后一个卷积模块的池化层输出作为特征保存。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海大学,未经上海大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811577459.2/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top