《表1 8 不同基于深度学习隐写网络的对比》

  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

在表17中，TanNet在这几类空域隐写分析模型中，模型层数最少但是参数量最大.这是因为在全连接层中采用了过多的隐藏神经元，使得网络收敛速度慢且不容易收敛.在我们的设备上无法完成训练，故测试时间尚且为空.众多模型中，Xu-Net参数最少且收敛时间较短，这得益于半学习模式与较少的网络层，但检测效果却不够优秀.虽然GNCNN网络拥有最短的收敛时间，但是模型效果却不如SRM.Yedroudj-Net，Zhu-Net，SRNet这三者的参数量依次递增，预期拟合时间也逐渐增长.其中，Zhu-Net对于参数的拟合速度最快，达到了331.7万/小时.虽然SRNet拥有更多的参数量，但误检率却高于Zhu-Net模型.这意味着在隐写分析领域，盲目地添加网络层数与参数量，并不可以提升网络的拟合效果.由于Yedroudj-Net固定了预处理层中的权重，拟合速度更快，但会造成检测精度上的损失.但是，在复现上述3个模型的过程中，我们发现SRNet拥有其他两个模型所不具备的特点:具有一定的跨数据集迁移能力，并且对于对抗样本具有一定的抗攻击能力.