DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法

针对基于卷积神经网络的图像隐写分析方法中使用人工设计的滤波器在特征提取过程中有效性低的问题，提出方向差分自适应组合（DDAC）特征提取方法。在计算中心像素与周围不同方向像素的差分后，使用1×1卷积对方向差分进行线性组合。根据损失对组合参数自适应更新来构建多样化的滤波器，使获取的嵌入信息残差特征更有效。使用截断线性单元提高嵌入信息残差和图像信息残差的比率，加快模型收敛速度并提高残差特征提取能力。实验结果表明，该方法使Ye-net、Yedroudj-net模型的准确率在WOW和S-UNIWARD数据集中提高1.30%～8.21%。与固定和更新参数SRM滤波器方法相比，测试模型在不同隐写数据集中的准确率提高0.60%～20.72%，并且训练过程更稳定。对比其他图像隐写分析模型，DDAC-net具有更高的隐写分析效率。