| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-17页 |
| 1.2 研究内容与研究方法 | 第17-21页 |
| 1.3 论文组织结构 | 第21-22页 |
| 第2章 相关研究综述 | 第22-46页 |
| 2.1 隐写术研究概况 | 第23-31页 |
| 2.1.1 数字隐写通信的基本框架 | 第23-24页 |
| 2.1.2 隐写算法性能的衡量指标 | 第24-25页 |
| 2.1.3 隐写算法研究概述 | 第25-31页 |
| 2.2 隐写分析研究现状 | 第31-38页 |
| 2.2.1 隐写分析技术的性能衡量指标 | 第32页 |
| 2.2.2 隐写分析研究发展概述 | 第32-38页 |
| 2.3 深度学习 | 第38-44页 |
| 2.3.1 深度学习概述 | 第38-40页 |
| 2.3.2 典型深度学习模型 | 第40-44页 |
| 2.4 本章小结 | 第44-46页 |
| 第3章 基于卷积神经网络的隐写分析 | 第46-70页 |
| 3.1 引言 | 第46页 |
| 3.2 基于CNN的隐写分析特征学习框架 | 第46-55页 |
| 3.2.1 基于CNN的隐写分析模型 | 第48-53页 |
| 3.2.2 模型融合 | 第53-55页 |
| 3.3 实验结果及分析 | 第55-68页 |
| 3.3.1 数据库 | 第55-56页 |
| 3.3.2 数据预处理 | 第56-57页 |
| 3.3.3 网络参数设置 | 第57-58页 |
| 3.3.4 BOSSbase 1.01库实验 | 第58-66页 |
| 3.3.5 ImageNet256×256库实验 | 第66-68页 |
| 3.4 本章小结 | 第68-70页 |
| 第4章 基于全局统计信息约束的隐写分析特征学习 | 第70-80页 |
| 4.1 引言 | 第70页 |
| 4.2 相关工作 | 第70-72页 |
| 4.3 基于全局信息约束的隐写分析特征学习模型 | 第72-75页 |
| 4.3.1 CNN模型结构设置 | 第74-75页 |
| 4.3.2 辅助特征构造 | 第75页 |
| 4.4 实验结果及分析 | 第75-78页 |
| 4.4.1 数据库 | 第75-76页 |
| 4.4.2 实验设置 | 第76页 |
| 4.4.3 基于全局统计信息约束算法性能评测与对比 | 第76-78页 |
| 4.5 本章小结 | 第78-80页 |
| 第5章 针对低嵌入率隐写分析的特征学习 | 第80-90页 |
| 5.1 引言 | 第80-81页 |
| 5.2 内容自适应隐写术特点分析 | 第81-82页 |
| 5.3 提出的方法 | 第82-85页 |
| 5.3.1 CNN模型结构设置 | 第83-84页 |
| 5.3.2 特征学习和特征迁移 | 第84-85页 |
| 5.4 实验结果及分析 | 第85-88页 |
| 5.4.1 数据库 | 第85-86页 |
| 5.4.2 实验设置 | 第86页 |
| 5.4.3 针对低嵌入率隐写分析方法的性能评测与对比 | 第86-88页 |
| 5.5 本章小结 | 第88-90页 |
| 第6章 面向多类隐写术的通用隐写分析研究 | 第90-100页 |
| 6.1 引言 | 第90-91页 |
| 6.2 相关工作 | 第91-92页 |
| 6.3 基于多任务CNN的隐写分析框架 | 第92-96页 |
| 6.3.1 CNN模型结构 | 第93页 |
| 6.3.2 多任务学习 | 第93-96页 |
| 6.4 实验结果及分析 | 第96-98页 |
| 6.4.1 数据库 | 第96页 |
| 6.4.2 CNN网络参数设置 | 第96页 |
| 6.4.3 基于多任务CNN方法性能评测与对比 | 第96-98页 |
| 6.5 本章小结 | 第98-100页 |
| 第7章 论文总结与展望 | 第100-104页 |
| 7.1 本文工作总结 | 第100-102页 |
| 7.2 进一步工作展望 | 第102-104页 |
| 参考文献 | 第104-116页 |
| 致谢 | 第116-118页 |
| 在读期间发表的学术论文与取得的研究成果 | 第118页 |