基于卷积神经网络的图像生成方式分类方法

doi:10.11959/j.issn.2096-109x.2016.00096

网络与信息安全学报 ›› 2016, Vol. 2 ›› Issue (9): 40-48.doi: 10.11959/j.issn.2096-109x.2016.00096

基于卷积神经网络的图像生成方式分类方法

李巧玲^1,²(),关晴骁^1,²,赵险峰^1,²

¹ 中国科学院信息工程研究所信息安全国家重点实验室，北京 100093
² 中国科学院大学，北京 100049

修回日期:2016-08-09 出版日期:2016-09-15 发布日期:2020-03-26
作者简介:李巧玲（1992-），女，湖北宜昌人，中国科学院信息工程研究所硕士生，主要研究方向为信息对抗理论与技术。|关晴骁（1984-），男，湖南湘潭人，博士，中国科学院信息工程研究所助理研究员，主要研究方向为多媒体内容安全、通信隐写分析。|赵险峰（1969-），男，安徽淮北人，博士，中国科学院信息工程研究所研究员、博士生导师，主要研究方向为信息安全事件检测分析的理论与技术，包括信息隐藏及其检测、网络安全异常行为检测、大数据安全分析以及相关技术在内容保护、版权保护和系统防护等中的应用。
基金资助:
：国家自然科学基金资助项目(61303259);：国家自然科学基金资助项目(U1536105);中国科学院战略性先导科技专项课题基金资助项目(XDA06030600);中国科学院信息工程研究所重点基金资助项目(Y5Z0131201)

Image generation classification method based on convolution neural network

Qiao-ling LI^1,²(),Qing-xiao GUAN^1,²,Xian-feng ZHAO^1,²

¹ State Key Laboratory of Information Security,Institute of Information Engineering,Chinese Academy of Sciences,Beijing 100093,China
² University of Chinese Academy of Sciences,Beijing 100049,China

Revised:2016-08-09 Online:2016-09-15 Published:2020-03-26
Supported by:
The National Natural Science Foundation of China(61303259);The National Natural Science Foundation of China(U1536105);The Strategic Pilot Sci-ence and Technology Project of the Chinese Academy of Sciences(XDA06030600);The Key Project of Institute of Informa-tion Engineering,Chinese Academy of Sciences(Y5Z0131201)

摘要/Abstract

摘要：

提出一种采用卷积神经网络对自然图像和文档扫描图像进行分类的方法，通过卷积和池化操作提取两类图像具有高区分度的特征，融合后得到分类判决结果。实验结果表明，所提出的分类方法在 SKL 图像库上分类精度超过93%。图像预处理对模型的精度以及模型训练收敛所需时间具有积极效果，经过图像预处理后训练的卷积神经网络模型对图像文字大小和图像格式顽健。

关键词: 卷积神经网络, 图像生成方式, 内容模式分类, 多媒体安全

Abstract:

Using convolution neural network which though convolution and pooling extracting features of high dis-tinguish ability and then make fusion for classification of natural images and scanned documents.Experimental re-sults show that the classification accuracy of the proposed classification method is more than 93% on the SKL image database.The model is highly robust to font sizes and image formats.Through contrast experiment validated that preprocessing of image has a positive effect on the accuracy of the model and the time cost on training.

Key words: convolution neural network, image generation mode, content pattern classification, multimedia security

中图分类号:

TP37

李巧玲,关晴骁,赵险峰. 基于卷积神经网络的图像生成方式分类方法[J]. 网络与信息安全学报, 2016, 2(9): 40-48.

Qiao-ling LI,Qing-xiao GUAN,Xian-feng ZHAO. Image generation classification method based on convolution neural network[J]. Chinese Journal of Network and Information Security, 2016, 2(9): 40-48.

图/表 10

图1

图2

表1

图3

图4

表2

图5

图6

表3

图7

参考文献 12

[1]	WANG Y , MOULIN P . On discrimination between photorealistic and photographic images[C]// IEEE International Conference on Acoustics Speech and Signal Processing. 2006.
[2]	LYU S , FARID H . How realistic is photorealistic[J]. IEEE Interna-tional Conference on Signal Processing, 2005,53(2):845-850.
[3]	ZHU J Y , KRAHENBUHL P , SHECHTMAN E , et al. Learning a discriminative model for the perception of realism in composite images[C]// IEEE International Conference on Computer Vision. 2015:3943-3951.
[4]	KHANNA N , CHIU G T C , ALLEBACH J P , et al. Forensic tech-niques for classifying scanner,computer generated and digital cam-era images[C]// IEEE International Conference on Acoustics,Speech and Signal Processing. 2008:1653-1656.
[5]	MAHENDRAN A , VEDALDI A . Understanding deep image rep-resentations by inverting them[C]// IEEE Conference on Computer Vision and Pattern Recognition. 2015:5188-5196.
[6]	LECUN Y , BOTTOU L , BENGIO Y , et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998,86(11):2278-2324.
[7]	KUSSUL E , BAIDYK T , WUNSCH II D C . Permutation coding technique for image recognition system standard[M] Neural Networks and Micromechanics. 201047-73.
[8]	KAIMING H , XIANGYU Z , SHAOQING R , et al. Delving deep into rectifiers:surpassing human-level performance on imagenet classification[C]// IEEE International Conference on Computer Vi-sion. 2015:1026-1034.
[9]	NAIR V , HINTON G E . Rectified linear units improve restricted boltzmann machines[C]// The 27th International Conference on Machine Learning. 2010:807-814.
[10]	SRIVASTAVA N , HINTON G , KRIZHEVSKY A , et al. Dropout:a simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research, 2014,15(1):1929-1958.
[11]	SUTSKEVER I , MARTENS J , DAHL G , et al. On the importance of initialization and momentum in deep learning[C]// The 30th In-ternational Conference on Machine Learning. 2013:1139-1147.
[12]	JIA Y , SHELHAMER E , DONAHUE J , et al. Caffe:convolutional architecture for fast feature embedding[C]// The ACM International Conference on Multimedia. 2014:675-678.

图像类型	设备名称
自然图像	Canon M2、Canon 450D、Nikon D700、Panasonic GF5
扫描文档	Brother MFC-7860DN

类型	核尺寸/步长	输出尺寸
Convolution	12×12/5	101×101×96
Max pool	3×3/2	50×50×96
Convolution	5×5/1	50×50×256
Max pool	4×4/2	24×24×256
Convolution	3×3/1	24×24×256
Max pool	4×4/2	11×11×256
Fully connection	—	1×1×512
Fully connection	—	1×1×2
Softmax	—	1×1×2

		预测类型
实际类型
实际类型
	自然图像		扫描文档
自然图像	49		1
扫描文档	5		45

基于卷积神经网络的图像生成方式分类方法

Image generation classification method based on convolution neural network

在线阅读

pdf下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 12

相关文章 10

Metrics

推荐阅读 0

[1]	谢绒娜, 马铸鸿, 李宗俞, 田野. 基于卷积神经网络的加密流量分类方法[J]. 网络与信息安全学报, 2022, 8(6): 84-91.
[2]	林点, 潘理, 易平. 面向图像识别的卷积神经网络鲁棒性研究进展[J]. 网络与信息安全学报, 2022, 8(3): 111-122.
[3]	乔通, 姚宏伟, 潘彬民, 徐明, 陈艳利. 基于深度学习的数字图像取证技术研究进展[J]. 网络与信息安全学报, 2021, 7(5): 13-28.
[4]	李沛杰, 张丽, 夏云飞, 许立明. 基于软件定义的可重构卷积神经网络架构设计[J]. 网络与信息安全学报, 2021, 7(3): 29-36.
[5]	张鑫,羌卫中,吴月明,邹德清,金海. 基于卷积神经网络恶意安卓应用行为模式挖掘[J]. 网络与信息安全学报, 2020, 6(6): 35-44.
[6]	谢博,申国伟,郭春,周燕,于淼. 基于残差空洞卷积神经网络的网络安全实体识别方法[J]. 网络与信息安全学报, 2020, 6(5): 126-138.
[7]	江玉朝,吉立新,高超,李邵梅. 基于卷积神经网络的多尺度Logo检测算法[J]. 网络与信息安全学报, 2020, 6(2): 116-124.
[8]	张雪涛,孙蒙,王金双. 基于操作码的安卓恶意代码多粒度快速检测方法[J]. 网络与信息安全学报, 2019, 5(6): 85-94.
[9]	张晓斌, 陈福才, 黄瑞阳. 基于CNN和双向LSTM融合的实体关系抽取[J]. 网络与信息安全学报, 2018, 4(9): 44-51.
[10]	刘勤让,刘崇阳,周俊,王孝龙. 基于线性脉动阵列的卷积神经网络计算优化与性能分析[J]. 网络与信息安全学报, 2018, 4(12): 16-24.