[发明专利]基于卷积神经网络和领域对抗学习的音频隐写分析方法

权利要求书

1.一种基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述方法对应的网络框架包括特征提取子网络隐写分析子网络和载体来源判别子网络其中θ_f、θ_y、θ_d分别代表各个子网络的网络参数，所述方法包括，

S1，输入源域数据目标域数据对抗训练因子λ、学习率η；

S2，通过特征提取子网络输出隐写分析特征向量F；

S3，隐写分析特征向量F经隐写分析子网络输出得到二元隐写预测概率计算二元隐写预测概率与原始隐写标签y的交叉熵损失l_y，并据此通过反向传播误差与梯度下降算法更新网络参数θ_y，其中y∈{0,1}，当y取值0时代表原始载体而取值1时代表隐写载体；

S4，隐写分析特征向量F经载体来源判别子网络输出得到载体来源预测概率值计算载体来源预测概率值与原始隐写标签d的交叉熵损失l_d，并据此通过反向传播误差更新网络参数θ_d，其中d∈{0,1}，当d取值0时代表源域而取值1时代表目标域。

2.根据权利要求1所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：

所述S2中特征提取子网络包括音频预处理层和音频预处理层后的4个级联的卷积组，即第1卷积组、第2卷积组、第3卷积组、第4卷积组。

3.根据权利要求2所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：

所述音频预处理层由4个1×5卷积核D1～D4组成，初始权重分别为：

D1＝[1,-1,0,0,0]，D1＝[1,-2,1,0,0]，D1＝[1,-3,3,1,0]，D1＝[1,-4,6,-4,1]；

所述第1卷积组包括1×1的第一卷积层、1×5的第二卷积层和1×1的第三卷积层；

所述第2卷积组、第3卷积组、第4卷积组均包含一个1×5卷积层、1×1卷积层和均值池化层，其中第4卷积组的均值池化层为全局均值池化层；

所述隐写分析特征向量为256维向量。

4.根据权利要求2所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：

所述音频预处理层采用差分滤波设计。

5.根据权利要求1所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：

所述隐写分析子网络包括全连接层和隐写标签预测层，所述全连接层为两层级联，分别包括128个神经元和64个神经元。

6.根据权利要求1所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：

所述载体来源判别子网络包括梯度反转层、领域判别层以及领域标签预测层，所述梯度反转层在前向传播阶段保持输入和输出数据的恒等映射，在误差反向传播阶段反转误差的梯度值分别表示为，

Forward:F(x)＝x

其中，F(x)表示梯度反转层的等效函数式，I为单位矩阵。

进一步的，所述S3中更新网络参数θ_y和S4中更新网络参数θ_d通过如下公式进行优化求得，

其中，分别代表各个子网络确定的网络参数，n为源域数据训练样本个数，m为目标域数据训练样本个数。