| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 图像内容自适应隐写术 | 第17-18页 |
| 1.2.2 基于人工设计特征的传统自适应隐写分析方法 | 第18-19页 |
| 1.2.3 基于深度学习的自适应隐写分析方法 | 第19-21页 |
| 1.3 主要研究内容 | 第21-22页 |
| 1.4 内容组织 | 第22-23页 |
| 1.4.1 内容组织 | 第22-23页 |
| 第二章 相关基础知识 | 第23-30页 |
| 2.1 图像隐写方法 | 第23-24页 |
| 2.1.1 空间域图像自适应隐写算法 | 第23-24页 |
| 2.1.2 JPEG域图像自适应隐写算法 | 第24页 |
| 2.2 图像隐写分析方法 | 第24-30页 |
| 2.2.1 基于人工设计特征的隐写分析方法 | 第25-26页 |
| 2.2.2 基于深度学习的隐写分析方法 | 第26-30页 |
| 第三章 基于选择区域及卷积神经网络的自适应隐写分析 | 第30-48页 |
| 3.1 空间域图像自适应隐写术特性 | 第30-32页 |
| 3.1.1 载体嵌入概率与消息嵌入位置关系对比 | 第30-32页 |
| 3.1.2 空间域图像自适应隐写技术特点及潜在威胁 | 第32页 |
| 3.2 区域选择算法 | 第32-35页 |
| 3.2.1 嵌入概率矩阵的获取 | 第32-33页 |
| 3.2.2 最适嵌入区域(MER)的获取 | 第33-35页 |
| 3.3 针对空间域图像自适应隐写的深度学习框架 | 第35-42页 |
| 3.3.1 预处理层——残差计算 | 第36页 |
| 3.3.2 模型总体架构 | 第36-39页 |
| 3.3.3 从网络结构中学习特征 | 第39-42页 |
| 3.4 实验结果与分析 | 第42-46页 |
| 3.4.1 数据源 | 第42页 |
| 3.4.2 实验准备与相关配置 | 第42-43页 |
| 3.4.3 实验结果评价指标 | 第43页 |
| 3.4.4 几种网络规模对比 | 第43页 |
| 3.4.5 针对当前几种主流自适应嵌入算法多种嵌入率下检测结果 | 第43-44页 |
| 3.4.6 MER算法的有效性 | 第44-46页 |
| 3.4.7 复合网络模型的有效性 | 第46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 针对JPEG图像的深度学习隐写分析方法研究 | 第48-71页 |
| 4.1 JPEG域图像自适应隐写术特性 | 第48-50页 |
| 4.2 基于视觉注意力及强化学习的隐写分析模型总体结构 | 第50-51页 |
| 4.3 判别模型 | 第51-52页 |
| 4.4 视觉注意力区域生成模型 | 第52-54页 |
| 4.4.1 视觉注意力(Attention)机制 | 第52页 |
| 4.4.2 视觉注意力(Attention)数学模型 | 第52-54页 |
| 4.5 基于强化学习的递归评价选择模型 | 第54-59页 |
| 4.5.1 强化学习(Reinforcement Learning) | 第54-55页 |
| 4.5.2 用于选择视觉注意力区域的强化学习评价模型 | 第55-59页 |
| 4.6 选择信道方法 | 第59-61页 |
| 4.7 实验结果与分析 | 第61-69页 |
| 4.7.1 数据源 | 第61-62页 |
| 4.7.2 实验准备与相关配置 | 第62页 |
| 4.7.3 实验结果评价指标 | 第62页 |
| 4.7.4 选择信道方法的有效性 | 第62-63页 |
| 4.7.5 基于视觉注意力及强化学习方法的有效性 | 第63-69页 |
| 4.8 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71页 |
| 5.2 展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第79-80页 |
