| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与研究意义 | 第11页 |
| 1.2 国内外研究现状与发展趋势 | 第11-14页 |
| 1.2.1 基于人工设计特征的隐写分析技术 | 第12-13页 |
| 1.2.2 基于卷积神经网络的隐写分析技术 | 第13-14页 |
| 1.3 主要工作 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第二章 基于卷积神经网络的隐写分析技术研究 | 第17-32页 |
| 2.1 隐写分析系统模型 | 第17-18页 |
| 2.2 典型卷积神经网络模型 | 第18-24页 |
| 2.2.1 卷积层 | 第19-20页 |
| 2.2.2 激活函数 | 第20-23页 |
| 2.2.3 池化层 | 第23-24页 |
| 2.2.4 全连接层 | 第24页 |
| 2.3 主要的隐写分析模型研究与分析 | 第24-31页 |
| 2.3.1 模型范式 | 第24-25页 |
| 2.3.2 GNCNN | 第25-26页 |
| 2.3.3 ICNN | 第26-27页 |
| 2.3.4 TLU-CNN | 第27-28页 |
| 2.3.5 HCNN | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 轻量级JPEGCNN隐写分析模型的设计与分析 | 第32-52页 |
| 3.1 典型的变换域隐写算法分析与研究 | 第32-35页 |
| 3.1.1 JPEG图像 | 第32-33页 |
| 3.1.2 Jsteg隐写算法原理 | 第33页 |
| 3.1.3 F5隐写算法原理 | 第33-34页 |
| 3.1.4 MB隐写算法原理 | 第34-35页 |
| 3.2 JPEGCNN隐写分析模型的研究与设计 | 第35-39页 |
| 3.2.1 预处理模块 | 第35-36页 |
| 3.2.2 特征提取模块 | 第36-37页 |
| 3.2.3 分类模块 | 第37-38页 |
| 3.2.4 完整模型 | 第38-39页 |
| 3.3 仿真与分析 | 第39-50页 |
| 3.3.1 数据集 | 第39-40页 |
| 3.3.2 仿真参数 | 第40-41页 |
| 3.3.3 训练轮数分析 | 第41-43页 |
| 3.3.4 滤波器核评价指标分析 | 第43-46页 |
| 3.3.5 池化参数分析 | 第46-48页 |
| 3.3.6 性能分析 | 第48-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 COLOR-JPEGCNN隐写分析模型的研究与设计 | 第52-65页 |
| 4.1 彩色图像隐写分析研究现状 | 第52-53页 |
| 4.2 RGB色彩空间 | 第53-54页 |
| 4.3 RGBMERGE-JPEGCNN隐写分析模型的研究与设计 | 第54-55页 |
| 4.3.1 RGB三通道融合策略 | 第54页 |
| 4.3.2 完整模型 | 第54-55页 |
| 4.4 RGBADD-JPEGCNN隐写分析模型的研究与设计 | 第55-57页 |
| 4.4.1 高通滤波器扩展策略 | 第55-56页 |
| 4.4.2 完整模型 | 第56-57页 |
| 4.5 CHANNEL-JPEGCNN隐写分析模型的研究与设计 | 第57-59页 |
| 4.5.1 RGB三通道间相关性提取策略 | 第57-58页 |
| 4.5.2 完整模型 | 第58-59页 |
| 4.6 仿真与分析 | 第59-64页 |
| 4.6.1 数据集 | 第59-60页 |
| 4.6.2 仿真参数 | 第60-61页 |
| 4.6.3 RGBMERGE-JPEGCNN性能分析 | 第61-62页 |
| 4.6.4 RGBADD-JPEGCNN性能分析 | 第62-63页 |
| 4.6.5 CHANNEL-JPEGCNN性能分析 | 第63-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-68页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 对未来研究的展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |
