| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 基于人工工程特征和传统分类器的隐写分析 | 第16-18页 |
| 1.2.2 基于深层神经网络的隐写分析 | 第18-19页 |
| 1.2.3 载体源失配隐写分析 | 第19-20页 |
| 1.2.4 需要解决的问题 | 第20页 |
| 1.3 本文主要工作及组织结构 | 第20-23页 |
| 第二章 卷积神经网络基础与隐写分析框架 | 第23-31页 |
| 2.1 深度学习与卷积神经网络 | 第23-28页 |
| 2.1.1 深度学习 | 第23-24页 |
| 2.1.2 卷积神经网络一般结构 | 第24-27页 |
| 2.1.3 卷积神经网络训练方法 | 第27-28页 |
| 2.2 基于卷积神经网络的隐写分析框架 | 第28-30页 |
| 2.2.1 框架构成 | 第28-29页 |
| 2.2.2 框架分析 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于随机子空间的卷积网络隐写检测 | 第31-41页 |
| 3.1 总体思想 | 第31-32页 |
| 3.2 富模型类预处理 | 第32-33页 |
| 3.3 随机子空间处理 | 第33-36页 |
| 3.3.1 FLD集成分类器的神经网络模型 | 第33-34页 |
| 3.3.2 集成思想下的随机子空间处理模块 | 第34-36页 |
| 3.4 整体网络结构和训练 | 第36-37页 |
| 3.5 实验结果与分析 | 第37-40页 |
| 3.5.1 实验设置 | 第37-38页 |
| 3.5.2 超参数选取 | 第38页 |
| 3.5.3 实验结果 | 第38-39页 |
| 3.5.4 其他细节与分析 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于子区域联合判决的卷积网络隐写检测 | 第41-50页 |
| 4.1 方法动机 | 第41页 |
| 4.2 构造多样化子样本 | 第41-43页 |
| 4.3 子区域联合判决 | 第43页 |
| 4.4 深层卷积网络及训练 | 第43-45页 |
| 4.5 并行加速检测网络 | 第45-47页 |
| 4.6 实验与分析 | 第47-49页 |
| 4.6.1 数据集与实验平台 | 第47页 |
| 4.6.2 训练深层卷积网络 | 第47-48页 |
| 4.6.3 实验结果 | 第48-49页 |
| 4.7 本章小结 | 第49-50页 |
| 第五章 面向载体源失配的卷积网络隐写分析 | 第50-71页 |
| 5.1 载体源失配问题分析 | 第50-53页 |
| 5.2 匹配图像生成 | 第53-55页 |
| 5.3 卷积网络特征提取 | 第55-57页 |
| 5.4 特征相似度验证 | 第57-58页 |
| 5.5 隐写算法识别方案 | 第58-59页 |
| 5.6 实验与分析 | 第59-70页 |
| 5.6.1 实验设置 | 第59-60页 |
| 5.6.2 卷积神经网络训练 | 第60-62页 |
| 5.6.3 隐写检测测试结果 | 第62页 |
| 5.6.4 隐写算法识别测试结果 | 第62-65页 |
| 5.6.5 识别训练中未知的隐写算法测试结果 | 第65-67页 |
| 5.6.6 其他细节与分析 | 第67-70页 |
| 5.7 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 作者简历 | 第78页 |