一种对抗性双分类器深度隐写分析网络训练方法及装置

本发明公开一种对抗性双分类器深度隐写分析网络训练方法及装置，将双分类器对抗学习引入隐写分析以解决CSM发生时性能下降问题的工作。利用Mixup生成用于训练的中间域，增加样本的多样性并提高检测精度。采用非均匀训练策略，即两个分类器C1和C2在训练期间经历不同的处理，并在分类器的预测上引入了F‑范数。对于C1最小化其F‑范数以缩小决策边界，促进学习域不变特征；对于C2最大化其F‑范数以扩展决策边界，确保目标样本预测的高确定性。最后，在优化特征提取器的过程中引入两个域之间的梯度相似性来评估预测的准确性。本发明通过梯度相似性的应用，确保了预测的准确性，实现模型对目标样本进行精确分类。