《表9 TanNet不同方案误检率对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的图像隐写分析综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表9的实验结果可以得出:第3方案的方法是最好的，相较于SPAM这种特征维数较少的传统隐写分析方案，在误检率上提升了9%.3种不同的方案得到3组不同的数据，说明网络架构本身和隐写分析的效果并没有太大的关系.滤波核的初始化可以提升检测的成功率，但是相较于比较强力的SRM而言还是有所不及.这仅仅是深度学习与隐写分析的初步结合，是简单的结合与尝试，不仅证明了深度学习这项技术是可以应用在隐写分析上的，而且给予了未来深度学习有望超过SRM的一个观念，但是在网络架构上，比较简单依赖卷积层与全连接层的结构.