《表1 8 不同基于深度学习隐写网络的对比》
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.
图表编号 | XD00207331900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 陈君夫、付章杰、张卫明、程旭、孙星明 |
绘制单位 | 南京信息工程大学计算机与软件学院、南京信息工程大学计算机与软件学院、鹏城实验室、中国科学技术大学信息科学技术学院、南京信息工程大学计算机与软件学院、南京信息工程大学计算机与软件学院 |
更多格式 | 高清、无水印(增值服务) |