CIHC-2019

第一届全国信息隐藏大赛（The 1st Chinese Information Hiding Competition）

参赛项目

• 作品: 图像隐写检测

• 要求:

  • 时间：在规定时间内(2019年6月15日 — 2019年10月1日)在网站上的【比赛提交】栏目提交结果.

  • 评分：竞赛结果以 Accuracy 为得分按照从高到低进行排名判定。得分相同的情况下，参考F1-score.

• 备注：

1. 提交的结果文件不符合格式要求视同为无效，超过规定时间提交的结果无效.
  
2. 若提交的文件无法解码或者提交最终结果格式不对，将导致没有成绩.
  
3. 比赛过程中，会不定期随机抽检 50%测试样本计算得分，并公布临时排名，临时排名[公布地址](http://www.cihw.org.cn/index.php/9/)。最终排名以完整测试集的检测得分为依据.

图像隐写检测数据集

• download dataset

 下载路径：【https://drive.google.com/open?id=144ImZ28zmvN_dZbbeJTyLjz8u8nGklSY】
 测试图像数量：1 万张
 测试图像来源：源自不同手机型号拍摄的原始未经处理的照片；
 测试图像尺寸：原始照片按最短边裁剪成正方形，然后统一缩放成 1024*1024 大小；
 测试图像品质因子：筛选出品质因子分布在 90-95 之间的图像；
 测试隐写算法：以 0.5 的概率选择数据集中的图像进行嵌入，嵌入算法选择三种不同的隐写算法以不同的嵌入率进行随机嵌入，三种隐写算法及相应的论文如下；

• 相关论文

隐写算法	相关论文
J_unward	V. Holub, J. Fridrich, T. Denemark, Universal Distortion Function for Steganography in an Arbitrary Domain, EURASIP Journal on Information Security
nsF5	J. Fridrich, T. Pevný, and J. Kodovský, Statistically undetectable JPEG steganography: Dead ends, challenges, and opportunities.
UERD	Using Statistical Image Model for JPEG Steganography: Uniform Embedding Revisited

• 辅助训练集和验证集：

为了便于参赛队伍训练和调试模型，我们提供一个辅助训练集和验证集。该辅助训练集包含 10 万张来自网站Unsplash的原始图像。经过和测试集图像同样的裁剪、缩放操作变成 1024*1024 大小，以和测试集同样的隐写策略进行随机比特流嵌入，最终获得 10 万对 cover-stego 图像（路径：./Image/train）。

**注意：允许各参赛队使用额外数据对参赛模型进行训练和调试。**考虑到训练集和测试集图像来源不一致，因此我们从测试集中随机抽取 1809 张图像构成验证集（路径：./Image/valid），并提供验证集标签（路径：./Image/valid_labels.txt）。参赛队伍可以根据验证集测试结果调试模型。

相关知识

隐写、隐写分析、深度学习

隐写：隐写术是一门关于信息隐藏的技巧与科学，所谓信息隐藏指的是不让除预期的接收者之外的任何人知晓信息的传递事件或者信息的内容。 wiki

隐写分析：隐写分析（steganalysis）是指在已知或未知嵌入算法的情况下，从观察到的数据检测判断其中是否存在秘密信息，分析数据量的大小和数据嵌入的位置，并最终破解嵌入内容的过程。baidu

深度学习: 深度学习（英语：deep learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。 wiki

学习目标：

对隐写图像与非隐写图像进行二分类
+ 1. 提取目标有效特征
+ 2. 训练神经网络

隐写算法详解：

中文详解，100%引用(bai piao)，欢迎指正。

• nsF5
• UERD
• J-UNIWARD