Phoenixtree_DongZhao

基于可逆神经网络的图像隐藏技术 (ICCV 2021) - HiNet: Deep Image Hiding by Invertible Network

HiNet: Deep Image Hiding by Invertible Network

[pdf] [github]

Figure 1. The illustration of difference between our image hiding method and the traditional methods [5, 23, 32].

Abstract

1. Introduction

2. Related Work

2.1. Steganography and Image Hiding

2.2. Invertible Neural Network

3. Methods

3.1. Network architecture

3.2. Loss function

4. Experiments

4.1. Experimental Settings Datasets and settings

5. Conclusion

Abstract

Image hiding aims to hide a secret image into a cover image in an imperceptible way, and then recover the secret image perfectly at the receiver end. Capacity, invisibility and security are three primary challenges in image hiding task.

This paper proposes a novel invertible neural network (INN) based framework, HiNet, to simultaneously overcome the three challenges in image hiding.

For large capacity, we propose an inverse learning mechanism by simultaneously learning the image concealing and revealing processes. Our method is able to achieve the concealing of a full-size secret image into a cover image with the same size.

For high invisibility, instead of pixel domain hiding, we propose to hide the secret information in wavelet domain.

Furthermore, we propose a new low-frequency wavelet loss to constrain that secret information is hidden in high-frequency wavelet subbands, which significantly improves the hiding security.

Experimental results show that our HiNet significantly outperforms other state-of-the-art image hiding methods, with more than 10 dB PSNR improvement in secret image recovery on ImageNet, COCO and DIV2K datasets.

图像隐藏的目的是将秘密图像（secret image）以一种不可察觉的方式隐藏到覆盖图像（cover image）中，然后在接收端完美地恢复秘密图像。容量、不可见性和安全性是图像隐藏的三大挑战。

本文提出了一种新的基于可逆神经网络 (INN) 的框架 HiNet，以同时克服图像隐藏中的三个挑战。

对于大容量的图像，提出了一种同时学习图像隐藏和揭示过程的可逆学习机制。该方法能够实现将全尺寸秘密图像隐藏到相同尺寸的覆盖图像中。

为了提高不可见性，提出在小波域中隐藏秘密信息，而不是像素域隐藏。

此外，提出了一种新的低频小波损耗来约束秘密信息被隐藏在高频小波子带中，大大提高了隐藏的安全性。

实验结果表明，在 ImageNet、COCO 和 DIV2K 数据集上，HiNet 秘密图像恢复性能显著优于其他先进的图像隐藏方法，PSNR 提高了 10 dB 以上。

1. Introduction

The task of image hiding is to conceal a secret image into a cover image to generate a stego image, which only allows the informed receivers to recover the secret image, but invisible to other people. For security concern, the stego image is usually required to be indistinguishable from the cover image. Different from bit-level message hiding or steganography [2, 20, 35, 36, 39–41], image hiding is more challenging, which requires large capacity, high invisibility and security. Image hiding has a wide range of applications, of which secret communication and privacy protection are the most significant ones. Compared to the well-known image cryptography, image hiding has a remarkable security advantage, i.e., the stego image with secret information inside is indistinguishable from the cover image, which makes it more suitable for secret communication. In addition, unlike image cryptography, image hiding focuses more on the capacity and invisibility of hidden information rather than robustness.

研究意义：干嘛的，有啥用。图像隐藏的任务是将秘密图像（secret image）隐藏到覆盖图像（cover image）中，生成隐写图像（stego image），只允许知情的接收方恢复秘密图像，而对其他人不可见。出于安全考虑，隐写图像通常要求与掩蔽图像难以区分。与位级消息隐藏或隐写术不同，图像隐藏更具挑战性，需要大容量、高不可见性和安全性。图像隐藏具有广泛的应用，其中秘密通信和隐私保护是最重要的应用。与众所周知的图像密码学相比，图像隐藏具有显著的安全性优势，即包含秘密信息的隐写图像与被隐图像难以区分，更适合进行秘密通信。此外，与图像密码学不同，图像隐藏更注重隐藏信息的容量和不可见性，而不是鲁棒性。

（关于三种图像的翻译，本博客暂时这么译了，还请专家们给予指正。）

Traditional steganographic approaches can only hide a small amount of information [6,11,13,16,19,24], which cannot meet the requirement of large capacity in image hiding task. Baluja [4] proposed the first convolutional neural network (CNN) to solve image hiding problem. This work was then extended in [5] by permuting the pixels of secret image to enhance the hiding security. Weng et al. [32] further proposed a deep network for video steganography by temporal residual modeling. However, all these methods adopt two sub-networks for image hiding: a concealing network to hide a secret image $x_{secret}$ into a cover image to generate a stego image xstego, and a revealing network to recover the secret image xrec from xstego, as shown in Fig. 1 (a). The concealing and revealing networks have two sets of parameters, which are linked through simple concatenation. This loose connection may cause color distortion and texture-copying artifacts. Besides, they barely consider the security issue, making hidden secret information easy to be detected.

研究现状：指出问题和挑战。传统的隐写方法只能隐藏少量的信息，不能满足图像隐藏任务大容量的要求。Baluja [4] 提出了第一个卷积神经网络 (CNN) 来解决图像隐藏问题。在 [5] 中，通过对秘密图像像素的排列来提高隐藏的安全性。Weng et al. [32] 进一步提出了一种基于时域残差建模的视频隐写深度网络。然而，所有这些方法都采用了两个子网络来进行图像隐藏：隐藏网络将秘密图像 $x_{secret}$ 隐藏成覆盖图像来生成一个隐写图像 $x_{stego}$ 和揭示网络恢复从 $x_{stego}$ 恢复秘密图像，如图 1(a) 所示，隐藏和揭示网络有两种参数，这是通过简单连接实现。这种松弛连接（loose connection）可能会导致颜色失真和纹理复用效应。此外，这些方法几乎不考虑安全问题，使得隐藏的秘密信息很容易被发现。

Fig.1

In this paper, we propose an invertible image hiding network, HiNet, in which the concealing and revealing processes share the same set of network parameters, as shown in Fig. 1 (b). To the best of our knowledge, our work is the first attempt to explore invertible network in image hiding task. The main novelty is that image revealing is modelled as the reverse process of image concealing in an invertible network architecture, which means the network only needs to be trained once to get all network parameters for both concealing and revealing. This is a radical difference from the existing methods [5, 23, 32] which treat the concealing and revealing processes independently. Consequently, our HiNet achieves state-of-the-art performance on recovery accuracy, hiding security and invisibility.

本文提出一个可逆的图像隐藏网络，HiNet，隐藏和揭示的过程中共享相同的网络参数，如图 1(b) 所示。本工作（应该是）是第一次尝试探索可逆网络在图像隐藏任务中的应用。其主要新颖之处在于，在一个可逆的网络结构中，将图像显式建模为图像隐藏的反向过程，这意味着只需对网络进行一次训练，就可以得到隐藏和揭示的所有网络参数。这与现有的方法 [5,23,32] 截然不同，现有方法独立处理隐藏和揭示过程。因此，HiNet 在恢复精度、隐藏安全和隐身方面达到了最先进的性能。

The main contributions of this paper are summarized as follows:

• We propose a novel image hiding network, namely HiNet, based on invertible neural network for the task of large-capacity image hiding.

• We design two concealing and revealing modules with differentiable and invertible property, aiming to make the image hiding process fully reversible.

• We propose a low-frequency wavelet loss to control the distribution of secret information in different frequency bands, which significantly improves the hiding security.

本文贡献：

• 针对大容量图像隐藏任务，提出了一种基于可逆神经网络的图像隐藏网络 HiNet。

• 设计了两个具有可微和可逆性质的隐藏和揭示模块，目的是使图像隐藏过程完全可逆。

• 提出低频小波损耗，用以控制秘密信息在不同频段的分布，显著提高隐藏的安全性。

2. Related Work

2.1. Steganography and Image Hiding

(略)

2.2. Invertible Neural Network

Invertible neural network (INN) was first proposed by Dinh et al. [9]. Given a variable y and the forward computation x = $f_{\theta }$ (y), one can recover y directly by y = $f^{-1}_{\theta }$ (x), where the inverse function $f^{-1}_{\theta }$ is designed to share same parameters θ with $f_{\theta }$ . To make INN better handle imagerelated tasks, Dinh et al. [10] introduced convolutional layers in coupling models, and multi-scale layers to reduce the computational cost and increase the regularization ability. Kingma et al. [15] introduced invertible 1 × 1 convolution to INN and proposed Glow, which is efficient on realisticlooking synthesis and manipulation of images.

可逆神经网络简介：可逆神经网络 (INN) 最早由 Dinh et al. [9] 提出。给定变量 y 和正演计算 x = $f_{\theta }$ (y)，可以通过 y = $f^{-1}_{\theta }$ (x) 直接恢复 y，其中逆函数 $f^{-1}_{\theta }$ 与 $f_{\theta }$ 共用相同的参数 $\theta$ 。为了使 INN 更好地处理与图像相关的任务，Dinh et al.[10] 在耦合模型中引入了卷积层，并引入了多尺度层，以降低计算成本，提高正则化能力。Kingma et al. [15] 在 INN 中引入了可逆的 1 × 1 卷积，并提出了 Glow，该算法对图像的真实感合成和处理非常有效。

Due to the excellent performance, INN has been utilized in many image-related tasks. Specifically, Ouderaa et al. [28] applied INN to image-to-image translation task. Ardizzone et al. [3] introduced conditional INN to guided image generation and colorization, in which the inverse process was guided by a conditional parameter. Xiao et al. [33] attempted to find a mapping between low and high resolution images using INN for image rescaling. Lugmayr et al. [18] proposed a normalizing flow-based method via INN on super-resolution, which attempted to directly account for the illposed nature of super-resolution, and learn to predict diverse photo-realistic high-resolution images. Most recently, Wang et al. [30] applied INN in digital image compression task. However, to the best of our knowledge, there is no work to explore INN in image hiding task.

可逆神经网络应用：由于其优异的性能，INN 被用于许多与图像相关的任务中。Ouderaa et al. [28] 将 INN 应用于图像到图像的转换任务。Ardizzone et al. [3] 将条件 INN 引入到引导图像生成和着色中，其中逆过程由条件参数引导。Xiao et al. [33] 试图通过 INN 进行图像缩放来寻找低分辨率和高分辨率图像之间的映射。Lugmayr et al. [18] 在超分辨率上提出了一种基于 INN 的归一化流方法，试图直接解释超分辨率的病态性质，并学习预测各种逼真的高分辨率图像。最近，Wang et al. [30] 将 INN 应用于数字图像压缩任务。然而，据我们所知，INN 在图像隐藏任务中并没有探索工作。

3. Methods

在本节中，提出了一种新的可逆隐藏-揭示网络 HiNet，以实现大容量、高安全性和高不可见性的图像隐藏。表 1 给出了本文使用的符号。

3.1. Network architecture

Fig. 2 shows the overall framework of the proposed HiNet.

In the forward concealing process, a pair of secret image $x_{secret}$ and cover image $x_{cover}$ are accepted as inputs. They are first decomposed into low and high-frequency wavelet sub-bands through discrete wavelet transform (DWT), which are then fed into a sequence of concealing blocks. The outputs of the last concealing block go through an inverse wavelet transform (IWT) block to generate a stego image $x_{stego}$ , together with the lost information r.

In the backward revealing process, the stego image $x_{stego}$ and an auxiliary variable z go through the DWT and a series of revealing blocks to recover the secret image $x_{secret}$ .

HiNet 总体框架：如图 2。

前向隐藏过程：输入为秘密图像 $x_{secret}$ 和覆盖图像 $x_{cover}$ 。

首先，通过离散小波变换 (DWT) 将其分解为低、高频小波子带；

然后，将其输入到隐藏块序列中；

最后，隐藏块的输出经过逆小波变换 (IWT) 块来生成一个隐写图像 $x_{stego}$ , 和一起失去的信息 r。

逆向揭示过程：隐藏图像 $x_{stego}$ 和一个辅助变量 z 通过 DWT 和一系列揭示模块恢复秘密图像 $x_{secret}$ 。

Figure 2. The framework of HiNet. In the forward concealing process, a secret image is hidden in a cover image through several concealing blocks to generate a stego image, together with the lost information. In the backward revealing process, the stego image and an auxiliary variable z from Gaussian distribution are fed to a series of revealing blocks to recover the secret image. Note that in our HiNet, revealing is the inverse process of concealing, and thus they share the same network parameters.

图2：HiNet 框架。注意，在 HiNet 中，揭示是隐藏的逆过程，因此它们共享相同的网络参数。

Wavelet domain hiding

Image hiding in pixel domain can easily lead to texture-copying artifacts and color distortion [11, 32]. Compared to pixel domain, the frequency domain, especially high-frequency domain, is more appropriate for image hiding.

In this paper, we adopt DWT to split image into low and high-frequency wavelet sub-bands before entering the invertible blocks, so that the network can better fuse the secret information into the cover image.

Moreover, the perfect reconstruction property of wavelets [21] can help decrease the information loss and improve the image hiding performance.

After DWT, the feature map of size (B, C, H,W) is turned into (B, 4C, H/2,W/2), in which B is batch size, H is height, W is width and C is channel number. As we can see, the computational cost can be reduced by DWT, which can help accelerate the training process.

Here, we adopt Haar wavelet kernel to perform DWT and IWT, for its simplicity and effectiveness. Note that wavelet transform is bidirectional symmetric, which means it will not affect the end-to-end training of our network.

解释：为什么要在小波域进行图像隐藏。

图像在像素域隐藏容易导致纹理复制伪影和颜色失真。相对于像素域，频率域，尤其是高频域更适合图像隐藏。

本文采用小波变换在进入可逆模块之前，将图像分成低高频小波子带，使网络能够更好地将秘密信息融合到覆盖图像中。

此外，小波具有良好的重构特性，有助于减少信息损失，提高图像隐藏性能。

DWT 后，size (B，C，H，W) 的 feature map 变为 (B，4C，H/2，W/2)。可以看到，DWT 可以降低计算成本，有助于加速训练过程。

本文采用 Haar 小波核进行小波变换和小波变换，简单有效。

注意小波变换是双向对称的，这意味着它不会影响网络的端到端训练。

（每一句都有用，把优点充分展开了说。为什么作者能想到这么多优点？）

Invertible concealing and revealing blocks

As shown in Fig. 2, the concealing and revealing blocks have the same sub-modules and share the same network parameters, but with reverse information flow directions. There are M concealing blocks with the same architecture, which is constructed as follows. For the i-th concealing block in the forward process, the inputs are $x^i _{cover}$ and $x^i _{secret}$ , and the outputs $x^{i+1} _{cover}$ and $x^{i+1} _{secret}$ are formulated as follows,

（1）

where α is a sigmoid function multiplied by a constant factor served as a clamp, and $\odot$ indicates the dot product operation. Here, ρ(·), φ(·) and η(·) are arbitrary functions and we adopt the widely used dense block in [29] to represent them for its good representation ability. The influence of different architectures for ρ(·), φ(·), and η(·) is discussed in ablation study in Section 4.4. After the last concealing block, we can obtain the outputs $x^{M+1} _{cover}$ and $x^{M+1}_{secret}$ , which are then fed into two IWT blocks to generate the stego image $x_{stego}$ and lost information r, respectively.

模型介绍：可逆隐藏和揭示模块网络结构。

如图 2 所示，隐藏块和揭示模块具有相同的子模块，共享相同的网络参数，但信息流方向相反。该模型有 M 个相同结构的隐藏模块。

隐藏模块：

对于前向过程中的第 i 个隐藏模块，输入为 $x^i _{cover}$ and $x^i _{secret}$ ，输出 $x^{i+1} _{cover}$ and $x^{i+1} _{secret}$ 表示为 (1)。

其中，α 是一个 s 型函数乘以一个作为 clamp 的常数因子， $\odot$ 表示点积运算。

其中 ρ(·)、φ(·) 和 η(·) 是任意函数，本文采用 [29] 中广泛使用的 dense blocks 来表示它们，因为它具有良好的表示能力。不同体系结构对 ρ(·)、φ(·) 和 η(·) 的影响在 4.4 节的消融研究中进行了讨论。

在最后一个隐藏模块之后，可以得到输出 $x^{M+1} _{cover}$ and $x^{M+1}_{secret}$ ，然后将输出送入两个 IWT 块，分别生成隐写图像 $x_{stego}$ 和丢失信息 r。

In the revealing process, the information flow direction is from the (i+1)-th revealing block to the i-th revealing block, which is in reverse order to the concealing process, as shown in Fig. 2. Specifically, for the M-th revealing block, the inputs are $x^{M+1}_{stego}$ and $z^{M+1}$ which are generated by the stego image $x_{stego}$ and an auxiliary variable z through DWT. Here, z is randomly sampled from a Gaussian distribution. The outputs of the M-th revealing block are $x^M _{stego}$ and . For the i-th revealing block, the inputs are $x^{i+1} _{stego}$ and $z^{i+1}$ , and the outputs are $x^i_{stego}$ and . Their relationship is modelled as follows,

(2)

After the last revealing block, i.e., the revealing block 1, the output $x^1 _{stego}$ is fed into an IWT block to generate the recovery image $x_{rec}$ .

揭示模块：

在揭示过程中，信息流的方向是从第 (i+1) 个揭示模块到第 i 个揭示模块，与隐藏过程的顺序相反，如图 2 所示。具体来说，对于第 M 个揭示模块，输入是由隐写图像 $x_{stego}$ 和辅助变量 z 通过 DWT 生成的 $x^{M+1}_{stego}$ and $z^{M+1}$ 。这里，z 是从高斯分布中随机抽样的。第 M 个揭示块的输出是 $x^M _{stego}$ and 。对于第 i 个揭示模块，输入是 $x^{i+1} _{stego}$ and $z^{i+1}$ ，输出是 $x^i_{stego}$ and 。他们的关系如 (2) 所示。在最后一个揭示模块，即揭示模块 1 之后，输出 $x^1 _{stego}$ 被送入 IWT 模块，生成恢复图像 $x_{rec}$ 。

The lost information r and auxiliary variable z

The lost information r is one of the outputs in the forward concealing process, and z is one input to the backward revealing process. In the concealing process, the network tries to hide the secret image into the cover image. However, it is difficult to hide such a large capacity in the cover image, which inevitably leads to the loss of secret information. In addition, the intrusion of secret image may destroy the original information in the cover image. The lost secret information and destroyed cover information make up the lost information r.

Here, r is assumed to be case-agnostic for the reasons below. Suppose that the distribution of all images in dataset is $\chi$ . The inputs in the forward process are $x_{cover}$ and $x_{secret}$ , which are sampled from the same dataset and thus follow the same distribution: $x_{cover,} x_{secret }\sim \chi$ . Due to the strict equivalence of Eqs. (1) and (2), and the reversible constraint of INN, the mixed distribution of the outputs $x_{stego}$ and r should obey the same distribution as inputs, i.e., $x_{stego} \times r \sim \chi$ . For stego image $x_{stego}$ , the concealing loss in Section 3.2 pushes its distribution to match the cover image, i.e., $x_{stego} \sim \chi$ . Thus, it is reasonable to assume the remained r to be case-agnostic.

丢失的信息 r 是前向隐藏过程的一个输出，z 是后向揭示过程的一个输入。

在隐藏过程中，网络试图将秘密图像隐藏到覆盖图像中。然而，如此大的容量很难隐藏在封面图像中，不可避免地导致秘密信息的丢失。另外，秘密图像的入侵可能会破坏封面图像中的原始信息。丢失的秘密信息和被破坏的掩护信息构成了丢失的信息 r。

这里，r 被假定为个例无关的 case- notistic，原因如下：

假设数据集中所有图像的分布为 $\chi$ 。前向过程的输入是 $x_{cover}$ 和 $x_{secret}$ ，它们从相同的数据集采样，因此遵循相同的分布: $x_{cover,} x_{secret }\sim \chi$ 。由于方程 (1) 和 (2) 的严格等价性，以及 INN 的可逆约束，输出 $x_{stego}$ 和 r 的混合分布应服从与输入相同的分布，即 $x_{stego} \times r \sim \chi$ 。对于隐写图像 $x_{stego}$ ，第 3.2 节中的隐藏损失推动其分布与覆盖图像匹配，即 $x_{stego} \sim \chi$ 。因此，可以合理地假设剩下的 r 是个案无关的。

In backward revealing, the recovery image $x_{rec}$ is required to be extracted from only the stego image $x_{stego}$ with no access to r. This is actually an ill-posed problem, because there can be millions of $x_{rec}$ recovered from the same $x_{stego}$ . In order to obtain the accurate xrec, an auxiliary variable z is adopted in the backward revealing process. The variable z is randomly sampled from a case-agnostic distribution, which is supposed to obey the same distribution as r. The distribution is learned during training through the revealing loss in Section 3.2, ensuring that every sample in the distribution is able to well recover the secret information. Here, without loss of generality, we assume the distribution as Gaussian distribution, i.e., $z \sim N (\mu_0, \sigma ^2 _0)$ .

在向后揭示中，恢复图像 $x_{rec}$ 要求只从隐写图像 $x_{stego}$ 中提取，而不访问 r。这实际上是一个不适定的问题，因为可以从同一个 $x_{stego}$ 中恢复数百万个 $x_{rec}$ 。为了获得精确的 $x_{rec}$ ，在反示过程中采用了一个辅助变量 z。变量 z 是从一个 case- notistic 分布中随机抽取的，该分布与 r 的分布相同。该分布是在训练时通过 3.2 节的揭示损失来学习的，确保分布中的每个样本都能很好地恢复秘密信息。在不失一般性的前提下，假设分布为高斯分布，即 $z \sim N (\mu_0, \sigma ^2 _0)$ 。

Why INN works for image hiding?

The image hiding task is composed of two reverse procedures: the concealing procedure aims to hide a secret image xsecret in a cover image xcover, to generate a new container called stego image xstego; while the revealing procedure attempts to recover the secret image from the stego image as high-fidelity as possible. In previous works [5, 23, 32], the concealing and revealing procedures are sequentially achieved by two forward networks, i.e., one network for concealing and the other for revealing. However, for perfect concealing and revealing performance, these two processes should be fully reversible. Based on this, we innovatively treat the image concealing and revealing as the forward and backward processes of the same INN, i.e, they are invertible. As a result, they can coordinate with each other to improve the hiding and revealing performance simultaneously. As demonstrated in the experiments, our network with INN architecture significantly advances the state-of-the-art image hiding performance.

一句话：隐藏过程和揭示过程应该是可逆的关系。

图像隐藏任务由两个反向过程组成：隐藏过程旨在将秘密图像 $x_{secret}$ 隐藏到覆盖图像 $x_{cover}$ 中，生成一个新的容器称为 stego 图像 $x_{stego}$ ；而揭示程序则试图从隐写图像中恢复出尽可能高保真的秘密图像。

在前人的工作中，隐藏和揭示过程是由两个前向网络依次完成的，一个是隐藏网络，另一个是揭示网络。

然而，为了完美的隐藏和揭示性能，这两个过程应该是完全可逆的。

在此基础上，本文创新性地将图像的隐藏和揭示视为同一 INN 的正向和反向过程，即可逆过程。

因此，它们可以相互协调，同时提高隐藏和显示性能。

正如在实验中证明的，本文的网络与 INN 体系结构显著提高了最先进的图像隐藏性能。

3.2. Loss function

The total loss function is composed of three different losses: the concealing loss to guarantee the concealing performance, the revealing losses to ensure the recovering performance, and a new low-frequency wavelet loss to enhance the hiding security.

总损耗函数由三种不同的损耗组成：保证隐藏性能的隐藏损耗、保证恢复性能的揭示损耗和增强隐藏安全性的低频小波损耗。

Concealing loss

The forward concealing process aims to hide $x_{secret}$ into $x_{cover}$ , to generate a stego image $x_{stego}$ . The stego image is required to be indistinguishable from the cover image. Toward this goal, the concealing loss $L_{con}$ is defined as follows,

(3)

where $x^{(n)}_{stego}$ is equal to $f_{\theta} (x^{(n) }_{cover}, x^{(n) }_{secret})$ , with θ indicating the network parameters. In addition, N is the number of training samples, and C measures the difference between cover and stego images, which can be 1 or 2 norm.

隐藏损失：

前向隐藏过程的目的是将 $x_{secret}$ 隐藏到 $x_{cover}$ 中，生成 $x_{stego}$ 图像。隐写图像要求与覆盖图像难以区分。为此，隐藏损失 $L_{con}$ 的定义如下:
其中 $x^{(n)}_{stego}$ 等于 $f_{\theta} (x^{(n) }_{cover}, x^{(n) }_{secret})$ ， θ 表示网络参数。N 为训练样本个数，C 为覆盖图像和隐写图像的差值，可以是1个或2个范数。

Revealing loss

In the backward revealing process, given the stego image $x_{stego}$ generated from the forward concealing process, the network should be able to recover the secret image using any sample of z from the Gaussian distribution p(z). To achieve this goal, we define the revealing loss $L_{rev}$ as follows,

(4)

where the recovery image $x^{(n)} _{rec}$ is equal to $f ^{-1} _{\theta} (x^{(n) }_{stego}, z)$ , with $f ^{-1} _{\theta}(\cdot)$ indicating the backward revealing process. Similar to C, R measures the difference between recovered secret images $x_{rec}$ and ground-truth secret images $x_{secret}$ .

用高斯分布 p(z) 中的任意 z 样本恢复秘密图像。为此，将揭示损失 $L_{rev}$ 定义如 (4)。其中恢复图像 $x^{(n)} _{rec}$ 等于 $f ^{-1} _{\theta} (x^{(n) }_{stego}, z)$ ，其中 $f ^{-1} _{\theta}(\cdot)$ 表示后显过程。与 C 类似，R 测量恢复的秘密图像 $x_{rec}$ 与 GT 的秘密图像 $x_{secret}$ 之间的差异。

Low-frequency wavelet loss

In addition to the above two losses, we propose a low-frequency wavelet loss $L_{freq}$ to enhance the network’s anti-steganalysis ability. The motivation of this loss is from [4], which verifies that the information hidden in high-frequency components is less likely to be detected than that in low-frequency components. Here, in order to ensure most information is hidden in the highfrequency sub-bands, the low frequency sub-bands of stego image are required to be similar to those of cover image after wavelet decomposition. Suppose that $H(\cdot)_{LL}$ indicates the operation of extracting low-frequency sub-bands after wavelet decomposition, the low-frequency wavelet loss $L_{freq}$ is defined as follows,

(5)

Here, F measures the difference between the low-frequency sub-bands of cover and stego images.

低频小波损失：
除了上述两种损失外，作者还提出了低频小波损失 $L_{freq}$ 来增强网络的抗隐写分析能力。这种损失的动机来自 [4]，它证实了隐藏在高频分量中的信息比在低频分量中的信息更不容易被检测到。这里，为了保证大部分信息隐藏在高频子带中，要求隐写图像的低频子带经过小波分解后与覆盖图像的低频子带相似。设 $H(\cdot)_{LL}$ 表示小波分解后提取低频子带的操作，则低频小波损耗 $L_{freq}$ 定义为 (5)。其中，F 测量覆盖和隐写图像的低频子带之间的差异。

Total loss function

The total loss function $L_{total}$ is a weighted sum of concealing loss $L_{con}$ , revealing loss $L_{rev}$ and low-frequency wavelet loss $L_{freq}$ , as follows,

Here, λc, λr and λf are weights for balancing different loss terms. In the training process, we firstly pre-train the network by minimizing $L_{con}$ and $L_{rev}$ , i.e., λf is set to 0. Then, we add $L_{freq}$ to train the network in an end-to-end manner.

总损失函数：

总损耗函数Ltotal是隐藏损耗 $L_{con}$ 、揭示损耗 $L_{rev}$ 和低频小波损耗 $L_{freq}$ 的加权和，如 (6)。
这里，λc， λr， λf 是平衡不同损失项的权重。在训练过程中，首先通过最小化 $L_{con}$ 和 $L_{rev}$ 对网络进行预训练，即设置 λf 为 0。然后，添加 $L_{freq}$ 以端到端方式训练网络。

4. Experiments

4.1. Experimental Settings Datasets and settings

The DIV2K [1] training dataset is used for training our HiNet. The testing datasets include DIV2K [1] testing dataset with 100 images at resolution 1024 × 1024, ImageNet [25] with 50,000 images at resolution 256 × 256, and COCO [17] dataset with 5,000 images at resolution 256 × 256. Note that the testing images are cropped using center-cropping strategy, to make sure the cover and secret images are with the same resolution. The number of concealing and revealing blocks M is set to 16. The training patch size is 256 × 256, and the number of total iteration is 80K. The parameters λc, λr and λf are set to 10.0, 1.0, 10.0, respectively. The mini-batch size is set to 16, in which half is randomly selected as cover patches and the remained are secret patches. The Adam [14] optimizer is adopted with standard parameters and an initial learning rate of 1 × 10−4.5 , which is halved every 10K iterations.

DIV2K 训练数据集用于训练 HiNet。测试数据集包括 DIV2K 测试数据集，分辨率为1024 × 1024，包含100张图像；ImageNet 测试数据集，分辨率为 256 × 256，包含 50,000 张图像；COCO 测试数据集，分辨率为 256 × 256，包含 5,000 张图像。

测试图像是使用中心裁剪策略裁剪的，以确保封面和秘密图像具有相同的分辨率。隐藏和显示块M的数量设置为16。训练 patch 大小为 256 × 256，总迭代次数为 80K。λc、λr、λf 分别设为 10.0、1.0、10.0。mini batch 大小设置为 16，其中随机选取一半作为 cover patches，其余为 secret patches。采用 Adam 优化器，采用标准参数，初始学习率为 1 × 10−4.5，每 10K 次迭代减半。

Benchmarks

To verify the effectiveness of our method, we compare it with several state-of-the-art (SOTA) image hiding methods, including one traditional image steganography method named 4bit-LSB, and three deep learning based methods: HiDDeN [41], Weng et al. [32], and Baluja [5]. For fair comparison, we re-trained the models of Weng et al. [32], Baluja [5], and HiDDeN [41] using the same training dataset as ours. Note that the original HiDDeN [41] model can only hide messages, which is not consistent with the image hiding configuration in this paper. To make it able to hide images, we slightly modified its output dimension and then re-trained the network.

为了验证方法的有效性，将其与几种最先进的 (SOTA) 图像隐藏方法进行了比较，包括一种传统的图像隐藏方法 4bit-LSB，以及三种基于深度学习的方法：HiDDeN[41]、Weng et al. [32] 和Baluja[5]。为了比较公平，使用与我们相同的训练数据集对 Weng et al. [32]、Baluja [5] 和 HiDDeN 的模型进行了重新训练。注意，原来的 HiDDeN 模型只能隐藏消息，这与本文的图像隐藏配置不一致。为了使它能够隐藏图像，稍微修改了它的输出维数，然后重新训练了网络。

Evaluation metrics

There are four metrics adopted to measure the quality of cover/stego and secret/recovery pairs, including Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM) [31], Root Mean Square Error (RMSE), and Mean Absolute Error (MAE). The larger value of PSNR, SSIM and smaller value of RMSE, MAE indicate higher image quality. In addition, we use the statistical steganalysis tool named StegExpose [7] and SRNet [8] to evaluate the security performance of our method.

本文采用峰值信噪比 (PSNR)、结构相似性指数 (SSIM)、均方根误差 (RMSE) 和平均绝对误差 (MAE) 4个指标来衡量掩蔽/隐写和秘密/恢复对的质量。PSNR、SSIM 值越大，RMSE、MAE 值越小，图像质量越好。此外，本文使用统计隐写分析工具 StegExpose [7] 和 SRNet [8] 来评估我们的方法的安全性能。

5. Conclusion

In this paper, we propose a novel invertible neural network named HiNet for image hiding, which drastically increases both the hiding security and recovering accuracy. Our HiNet models the image concealing and revealing as the forward and backward processes of an invertible network, which means that they share the same network parameters. As a consequence, the network only needs to be trained once to get all network parameters for both image concealing and revealing processes. In network training, a new lowfrequency wavelet loss is proposed to improve the security of image hiding. Extensive experimental results show that our method can achieve image hiding with large capacity and high security, which significantly outperforms other SOTA methods both quantitatively and qualitatively.

本文提出了一种新的用于图像隐藏的可逆神经网络 HiNet，它大大提高了隐藏的安全性和恢复的准确性。HiNet 将图像的隐藏和揭示建模为可逆网络的前向和后向过程，这意味着它们共享相同的网络参数。因此，在图像隐藏和揭示过程中，只需对网络进行一次训练，即可获得所有的网络参数。在网络训练中，为了提高图像隐藏的安全性，提出了一种新的低频小波损失算法。大量的实验结果表明，该方法能够实现大容量、高安全性的图像隐藏，在定量和定性上都明显优于其他 SOTA 方法。

你可能感兴趣的:(Network,Image,Hiding,deep,learning,深度学习,可逆网络,图像隐藏)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
从鸡肉高汤到记忆的魔法再到有效提示的艺术步子哥人工智能
还记得小时候那些天马行空的白日梦吗？也许只要按下键盘上的某个神奇组合，电脑就会发出滴滴的声响，一个隐藏的世界突然在你眼前展开，让你获得超凡的能力，摆脱平凡的生活。这听起来像是玩过太多电子游戏的幻想，但实际上，间隔重复系统给人的感觉惊人地相似。在最佳状态下，这些系统就像魔法一样神奇。本文将以一个看似平凡的鸡肉高汤食谱为例，深入浅出地探讨如何编写有效的间隔重复提示，让你像掌握烹饪技巧一样轻松地掌握记忆
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
2023-04-17|篮球女孩长一木
1小学抑或初中阶段，在课外书了解到她的故事。“篮球女孩”。当时佩服她的顽强，也对生命多了一丝敬畏。今天刚好在公众号看到，长大后的“篮球女孩”。佩服之余又满是心疼。网络侵删祝那素未蒙面的女孩，未来一切顺遂。
使用LLaVa和Ollama实现多模态RAG示例 llzwxh888 python 人工智能开发语言
本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
在一台Ubuntu计算机上构建Hyperledger Fabric网络落叶无声9 区块链超级账本 Hyperledger fabric 区块链 ubuntu 构建 hyperledger fabric
在一台Ubuntu计算机上构建HyperledgerFabric网络Hyperledgerfabric是一个开源的区块链应用程序平台，为开发基于区块链的应用程序提供了一个起点。当我们提到HyperledgerFabric网络时，我们指的是使用HyperledgerFabric的正在运行的系统。即使只使用最少数量的组件，部署Fabric网络也不是一件容易的事。Fabric社区创建了一个名为Cello
番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
穷人做什么生意最赚钱？10个适合穷人赚钱的路子？氧惠爱高省
不管在什么地方，一般都是穷人占大量数，而富人只有少数，但是它们却掌握着大量的财富。对于穷人来说，想要买车、买房等奢侈品就难如登天，因为他们只能通过打工来赚取几千元的月薪。➤推荐网购返利app“氧惠”，一个领隐藏优惠券+现金返利的平台。氧惠只提供领券返利链接，下单全程都在淘宝、京东、拼多多等原平台，更支持抖音、快手电商、外卖红包返利等。（应用市场搜“氧惠”下载，邀请码:521521，全网优惠上氧惠！
【华为OD技术面试真题 - 技术面】-测试八股文真题题库（1）算法大师华为od 面试 python 算法前端
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.黑盒测试和白盒测试的区别2.假设我们公司现在开发一个类似于微信的软件1.0版本，现在要你测试这个功能：打开聊天窗口，输入文本，限制字数在200字以内。问你怎么提取测试点。功能测试性能测试安全性测试可用性测试跨平台兼容性测试网络环境测试3.接口测试的工具你了解哪些
《在战“疫”中成长致敬生活》观后感梅子刘的刀
（作者：周晨）今天上午，我看了“我是接班人”网络大课堂《在战役中成长致敬生活》。有很多人拿出自己攒下的钱，默默地捐给了武汉，有几千块钱的、有几万块钱的，也有十几万块钱的。连小朋友也把自己的压岁钱捐给了武汉。有名环卫工人把自己五年的积蓄全部捐给了武汉。有名外卖小哥为医护人员买鞋子送吃的。还有已经治愈出院的新型肺炎病人捐了400毫升的血浆。还有位叫大树的叔叔，虽然他没有钱，但是他地里有蔬菜，捐了几大卡
中原焦点团队网络初中级30期阴丽丽坚持分享第三百八十八次2022.10.18分享约练次数（74）咨询师（6）来访者（53）观察者（15）阴丽丽
今天是忙碌的一天，一早起来，总想着找点把事情弄完，可总也弄不完。就这样弄着吧！孩子的事，自己的事都在那里搁置着，不想做，有点欧！今天总体还不错，只是在下午起床时走神了俩小时，也算是给自己的放松吧！今日难得1.儿子乖巧、听话，努力配合，一天下来也是忙忙碌碌，这真的很难得！2.儿子今天录的视频被班主任认可，这真的很难得3.我今天早上做核酸时，自己把教案整了一下，这真的很难得
网络编程基础记得开心一点啊网络
目录♫什么是网络编程♫Socket套接字♪什么是Socket套接字♪数据报套接字♪流套接字♫数据报套接字通信模型♪数据报套接字通讯模型♪DatagramSocket♪DatagramPacket♪实现UDP的服务端代码♪实现UDP的客户端代码♫流套接字通信模型♪流套接字通讯模型♪ServerSocket♪Socket♪实现TCP的服务端代码♪实现TCP的客户端代码♫什么是网络编程网络编程，指网络上
多子女家庭问题 3e5c5362403c
杨宁宁焦点解决网络初17中19坚持分享589天（2021.3.20）本周约练我1次，总计166次，读书打卡第256天案例督导收获：【家有老大篇】被爱与高期待下的独舞家里的第一个孩子往往集万千宠爱于一身。爸爸妈妈、爷爷奶奶、姥姥姥爷的目光都聚焦在他的身上。在这种光环下长大的孩子，就如小皇帝一般，衣来伸手、饭来张口。拥有爱的同时，也意味着拥有了更高的被期待，父母会花血本给你报各种各样的早教班，给你买各
父母教育孩子的方式，将影响孩子一生树英教育
为什么有些孩子总是充满自信与快乐？独立、有主见又坚强？而有些孩子却自卑、胆怯，软弱又过度依赖父母？为什么有些孩子总是健康、阳光又富于创造力？而有些孩子却悲观、孤僻又思想空乏？一个孩子的行为取决于孩子的思想，思想取决于环境和自己的认知，认知取决于教育。父母是孩子人生中的第一位教育者，父母养育孩子的方式，将决定他们人生的高度，影响他们的一生。网络图，侵权即删优秀的父母就像园丁，既要浇水施肥，又要修剪杂
2024.9.6 Python，华为笔试题总结，字符串格式化，字符串操作，广度优先搜索解决公司组织绩效互评问题，无向图 RaidenQ python 华为 leetcode 算法力扣广度优先无向图
1.字符串格式化name="Alice"age=30formatted_string="Name:{},Age:{}".format(name,age)print(formatted_string)或者name="Alice"age=30formatted_string=f"Name:{name},Age:{age}"print(formatted_string)2.网络健康检查第一行有两个整数m
戴容容中原焦点团队.网络初级第33期,坚持分享第19天 2022年3月9日 TessDai
《每个人眼中的世界都是不同的》“一千个人眼里有一千个哈姆雷特”世界是多元的,每个人都有自己的道理,人人按照自己的理解去看待这个世界的人和物.我们如此,其他人也是如此.因此,任何事情,我们要放下自己以为的真理,去理解他人认为的真理,只有同频方能共振.孩子在慢慢长大的过程中慢慢学会独立,甚至对抗.尤其当孩子处于青春期的时候,他们开始有很多自己独立的想法,和一些特立独行的做法,家长常常会觉得不可思议,觉
第1步win10宿主机与虚拟机通过NAT共享上网互通学习3人组大数据大数据
VM的CentOS采用NAT共用宿主机网卡宿主机器无法连接到虚拟CentOS要实现宿主机与虚拟机通信，原理就是给宿主机的网卡配置一个与虚拟机网关相同网段的IP地址，实现可以互通。1、查看虚拟机的IP地址2、编辑虚拟机的虚拟网络的NAT和DHCP的配置，设置虚拟机的网卡选择NAT共享模式3、宿主机的IP配置，确保vnet8的IPV4属性与虚拟机在同一网段4、ping测试连通性[root@localh
网络通信流程记得开心一点啊服务器网络运维
目录♫IP地址♫子网掩码♫MAC地址♫相关设备♫ARP寻址♫网络通信流程♫IP地址我们已经知道IP地址由网络号+主机号组成，根据IP地址的不同可以有5钟划分网络号和主机号的方案：其中，各类地址的表示范围是：分类范围适用网络网络数量主机最大连接数A类0.0.0.0~127.255.255.255大型网络12616777214【(2^24)-2】B类128.0.0.0~191.255.255.255中
Java爬虫框架（一）--架构设计狼图腾-狼之传说 java 框架 java 任务 html解析器存储电子商务
一、架构图那里搜网络爬虫框架主要针对电子商务网站进行数据爬取，分析，存储，索引。爬虫：爬虫负责爬取，解析，处理电子商务网站的网页的内容数据库：存储商品信息索引：商品的全文搜索索引Task队列：需要爬取的网页列表Visited表：已经爬取过的网页列表爬虫监控平台：web平台可以启动，停止爬虫，管理爬虫，task队列，visited表。二、爬虫1.流程1)Scheduler启动爬虫器，TaskMast
vue3中el-table中点击图片放大时，被表格覆盖叫我小鹏呀 vue.js javascript 前端
问题：vue3中el-table中点击图片放大时，被表格覆盖。解决方法：el-image添加preview-teleported
python tif转png Python与遥感 python 开发语言
importosfromosgeoimportgdalimportnumpyasnpfromPILimportImage#提取432三波段fromspectralimport*#输入文件夹路径defget_img(dataset_img):width=dataset_img.RasterXSize#获取行列数height=dataset_img.RasterYSizebands=dataset_i
python怎么将png转为tif_png转tif weixin_39977276
发国外的文章要求图片是tif，cmyk色彩空间的。大小尺寸还有要求。比如网上大神多，找到了一段代码，感谢！https://www.jianshu.com/p/ec2af4311f56https://github.com/KevinZc007/image2Tifimportjava.awt.image.BufferedImage;importjava.io.File;importjava.io.Fi
曼妙的盛景掩藏于岁月深处，用一颗清净心寻觅更加温馨的归宿佳依我心
《大鱼·海棠》中曾这样说道：“只要你的心是善良的，对错都是别人的事。无论你经历过什么，都要活成自己喜欢的模样。对于不喜欢的人和事，要勇敢地拒绝，去追求自己所爱，永远不要丢失本心，永远要保持善良。”小的时候，不懂得什么是好与坏，善与恶，只是觉得拥有笑脸的人应该都是对自己好的，却并不知道那张笑脸的背后到底隐藏着怎样的阴暗与肮脏。不过我依旧相信：人的眼睛不会骗人，每当我看到亮晶晶的双眸，总是会想到它如同
计算机木马详细编写思路小熊同学哦 php 开发语言木马木马思路
导语：计算机木马（ComputerTrojan）是一种恶意软件，通过欺骗用户从而获取系统控制权限，给黑客打开系统后门的一种手段。虽然木马的存在给用户和系统带来严重的安全风险，但是了解它的工作原理与编写思路，对于我们提高防范意识、构建更健壮的网络安全体系具有重要意义。本篇博客将深入剖析计算机木马的详细编写思路，以及如何复杂化挑战，以期提高读者对计算机木马的认识和对抗能力。计算机木马的基本原理计算机木
JavaScript 中，深拷贝（Deep Copy）和浅拷贝（Shallow Copy）跳房子的前端前端面试 javascript 开发语言 ecmascript
在JavaScript中，深拷贝（DeepCopy）和浅拷贝（ShallowCopy）是用于复制对象或数组的两种不同方法。了解它们的区别和应用场景对于避免潜在的bugs和高效地处理数据非常重要。以下是对深拷贝和浅拷贝的详细解释，包括它们的概念、用途、优缺点以及实现方式。1.浅拷贝（ShallowCopy）概念定义：浅拷贝是指创建一个新的对象或数组，其中包含了原对象或数组的基本数据类型的值和对引用数
Mongodb Error: queryTxt ETIMEOUT xxxx.wwwdz.mongodb.net 佛一脚 error react mongodb 数据库
背景每天都能遇到奇怪的问题，做个记录，以便有缘人能得到帮助！换了一台电脑开发nextjs程序。需要连接mongodb数据，对数据进行增删改查。上一台电脑好好的程序，新电脑死活连不上mongodb数据库。同一套代码，没任何修改，搞得我怀疑人生了，打开浏览器进入mongodb官网毫无问题，也能进入线上系统查看数据，网络应该是没问题。于是我尝试了一下手机热点，这次代码能正常跑起来，连接数据库了！！！是不
利用python实现图片格式之间的相互转换难得北窗高卧 python 开发语言
一、概要图片一般有多种格式，常见的图片格式包括：JPEG（.jpg或.jpeg）：一种广泛使用的有损压缩格式，适用于摄影图像和网页上的图片。PNG（.png）：一种无损压缩格式，支持透明度和更好的图像质量，常用于图标、图形和需要透明背景的图片。该图片是4通道的，外加一个透明通道。如截屏GIF（.gif）：一种支持动画和透明度的格式，常用于简单的动画和图标。BMP（.bmp）：一种无损格式，存储图像
高考后该不该给孩子买电脑，什么情况能买？什么情况不能买？寻求改变
我知道家长们很担心，怕买了电脑小孩沉迷游戏，耽误了学业，也不利于身体健康。对于准大学生来说，基本上在18岁左右，也不算小了，但在很多父母眼里，依旧是个小孩子。数据显示，这种情况是有发生的，大学生约70%的电脑主要被用于玩网络游戏，如果没有养成一个用良好的习惯，对孩子影响是非常大的。我总结为三买，三不买。最近有看到群里很多家长再问，小孩上大学该不该给他买电脑，要买和不买两种观点的家长都有，那么哪种情
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
312个免费高速HTTP代理IP（能隐藏自己真实IP地址） yangshangchuan 高速免费 superword HTTP代理
124.88.67.20:843 190.36.223.93:8080 117.147.221.38:8123 122.228.92.103:3128 183.247.211.159:8123 124.88.67.35:81 112.18.51.167:8123 218.28.96.39:3128 49.94.160.198:3128 183.20
pull解析和json编码百合不是茶 android pull解析 json
n.json文件: [{name:java,lan:c++,age:17},{name:android,lan:java,age:8}] pull.xml文件 <?xml version="1.0" encoding="utf-8"?> <stu> <name>java
[能源与矿产]石油与地球生态系统 comsci 能源
按照苏联的科学界的说法,石油并非是远古的生物残骸的演变产物,而是一种可以由某些特殊地质结构和物理条件生产出来的东西,也就是说,石油是可以自增长的.... 那么我们做一个猜想: 石油好像是地球的体液,我们地球具有自动产生石油的某种机制,只要我们不过量开采石油,并保护好
类与对象浅谈沐刃青蛟 java 基础
类，字面理解，便是同一种事物的总称，比如人类，是对世界上所有人的一个总称。而对象，便是类的具体化，实例化，是一个具体事物，比如张飞这个人，就是人类的一个对象。但要注意的是：张飞这个人是对象，而不是张飞，张飞只是他这个人的名字，是他的属性而已。而一个类中包含了属性和方法这两兄弟，他们分别用来描述对象的行为和性质（感觉应该是
新站开始被收录后，我们应该做什么？ IT独行者 PHP seo
新站开始被收录后，我们应该做什么？百度终于开始收录自己的网站了，作为站长，你是不是觉得那一刻很有成就感呢，同时，你是不是又很茫然，不知道下一步该做什么了？至少我当初就是这样，在这里和大家一份分享一下新站收录后，我们要做哪些工作。至于如何让百度快速收录自己的网站，可以参考我之前的帖子《新站让百
oracle 连接碰到的问题文强chu oracle
Unable to find a java Virtual Machine－－安装64位版Oracle11gR2后无法启动SQLDeveloper的解决方案作者：草根IT网来源：未知人气：813标签：导读：安装64位版Oracle11gR2后发现启动SQLDeveloper时弹出配置java.exe的路径，找到Oracle自带java.exe后产生的路径“C:\app\用户名\prod
Swing中按ctrl键同时移动鼠标拖动组件（类中多借口共享同一数据）小桔子 java 继承 swing 接口监听
都知道java中类只能单继承，但可以实现多个接口，但我发现实现多个接口之后，多个接口却不能共享同一个数据，应用开发中想实现：当用户按着ctrl键时，可以用鼠标点击拖动组件，比如说文本框。编写一个监听实现KeyListener,NouseListener,MouseMotionListener三个接口，重写方法。定义一个全局变量boolea
linux常用的命令 aichenglong linux 常用命令
1 startx切换到图形化界面 2 man命令:查看帮助信息 man 需要查看的命令,man命令提供了大量的帮助信息,一般可以分成4个部分 name:对命令的简单说明 synopsis:命令的使用格式说明 description:命令的详细说明信息 options:命令的各项说明 3 date:显示时间语法：date [OPTION]... [+FORMAT]
eclipse内存优化 AILIKES java eclipse jvm jdk
一基本说明在JVM中，总体上分2块内存区,默认空余堆内存小于 40%时，JVM就会增大堆直到-Xmx的最大限制；空余堆内存大于70%时，JVM会减少堆直到-Xms的最小限制。 1)堆内存(Heap memory):堆是运行时数据区域，所有类实例和数组的内存均从此处分配,是Java代码可及的内存，是留给开发人
关键字的使用探讨百合不是茶关键字
//关键字的使用探讨/*访问关键词private 只能在本类中访问public 只能在本工程中访问protected 只能在包中和子类中访问默认的只能在包中访问*//*final 类方法变量 final 类不能被继承 final 方法不能被子类覆盖，但可以继承 final 变量只能有一次赋值，赋值后不能改变 final 不能用来修饰构造方法*///this()
JS中定义对象的几种方式 bijian1013 js
1. 基于已有对象扩充其对象和方法(只适合于临时的生成一个对象)： <html> <head> <title>基于已有对象扩充其对象和方法(只适合于临时的生成一个对象)</title> </head> <script> var obj = new Object();
表驱动法实例 bijian1013 java 表驱动法 TDD
获得月的天数是典型的直接访问驱动表方式的实例，下面我们来展示一下： MonthDaysTest.java package com.study.test; import org.junit.Assert; import org.junit.Test; import com.study.MonthDays; public class MonthDaysTest { @T
LInux启停重启常用服务器的脚本 bit1129 linux
启动，停止和重启常用服务器的Bash脚本，对于每个服务器，需要根据实际的安装路径做相应的修改 #! /bin/bash Servers=(Apache2, Nginx, Resin, Tomcat, Couchbase, SVN, ActiveMQ, Mongo); Ops=(Start, Stop, Restart); currentDir=$(pwd); echo
【HBase六】REST操作HBase bit1129 hbase
HBase提供了REST风格的服务方便查看HBase集群的信息，以及执行增删改查操作 1. 启动和停止HBase REST 服务 1.1 启动REST服务前台启动（默认端口号8080） [hadoop@hadoop bin]$ ./hbase rest start 后台启动 hbase-daemon.sh start rest 启动时指定
大话zabbix 3.0设计假设 ronin47
What’s new in Zabbix 2.0? 去年开始使用Zabbix的时候，是1.8.X的版本，今年Zabbix已经跨入了2.0的时代。看了2.0的release notes，和performance相关的有下面几个： :: Performance improvements::Trigger related da
http错误码大全 byalias http协议 javaweb
响应码由三位十进制数字组成，它们出现在由HTTP服务器发送的响应的第一行。响应码分五种类型，由它们的第一位数字表示： 1）1xx：信息，请求收到，继续处理 2）2xx：成功，行为被成功地接受、理解和采纳 3）3xx：重定向，为了完成请求，必须进一步执行的动作 4）4xx：客户端错误，请求包含语法错误或者请求无法实现 5）5xx：服务器错误，服务器不能实现一种明显无效的请求
J2EE设计模式-Intercepting Filter bylijinnan java 设计模式数据结构
Intercepting Filter类似于职责链模式有两种实现其中一种是Filter之间没有联系，全部Filter都存放在FilterChain中，由FilterChain来有序或无序地把把所有Filter调用一遍。没有用到链表这种数据结构。示例如下： package com.ljn.filter.custom; import java.util.ArrayList;
修改jboss端口 chicony jboss
修改jboss端口 %JBOSS_HOME%\server\{服务实例名}\conf\bindingservice.beans\META-INF\bindings-jboss-beans.xml 中找到 <!-- The ports-default bindings are obtained by taking the base bindin
c++ 用类模版实现数组类 CrazyMizzz C++
最近c++学到数组类，写了代码将他实现，基本具有vector类的功能 #include<iostream> #include<string> #include<cassert> using namespace std; template<class T> class Array { public: //构造函数
hadoop dfs.datanode.du.reserved 预留空间配置方法 daizj hadoop 预留空间
对于datanode配置预留空间的方法为：在hdfs-site.xml添加如下配置 <property> <name>dfs.datanode.du.reserved</name> <value>10737418240</value>
mysql远程访问的设置 dcj3sjt126com mysql 防火墙
第一步: 激活网络设置你需要编辑mysql配置文件my.cnf. 通常状况，my.cnf放置于在以下目录： /etc/mysql/my.cnf (Debian linux) /etc/my.cnf （Red Hat Linux/Fedora Linux) /var/db/mysql/my.cnf (FreeBSD) 然后用vi编辑my.cnf，修改内容从以下行： [mysqld] 你所需要: 1
ios 使用特定的popToViewController返回到相应的Controller dcj3sjt126com controller
1、取navigationCtroller中的Controllers NSArray * ctrlArray = self.navigationController.viewControllers; 2、取出后，执行， [self.navigationController popToViewController:[ctrlArray objectAtIndex:0] animated:YES
Linux正则表达式和通配符的区别 eksliang 正则表达式通配符和正则表达式的区别通配符
转载请出自出处：http://eksliang.iteye.com/blog/1976579 首先得明白二者是截然不同的通配符只能用在shell命令中,用来处理字符串的的匹配。判断一个命令是否为bash shell(linux 默认的shell)的内置命令 type -t commad 返回结果含义 file 表示为外部命令 alias 表示该
Ubuntu Mysql Install and CONF gengzg Install
http://www.navicat.com.cn/download/navicat-for-mysql Step1: 下载Navicat ，网址：http://www.navicat.com/en/download/download.html Step2：进入下载目录，解压压缩包：tar -zxvf navicat11_mysql_en.tar.gz
批处理，删除文件bat huqiji windows dos
@echo off ::演示：删除指定路径下指定天数之前（以文件名中包含的日期字符串为准）的文件。 ::如果演示结果无误，把del前面的echo去掉，即可实现真正删除。 ::本例假设文件名中包含的日期字符串（比如：bak-2009-12-25.log） rem 指定待删除文件的存放路径 set SrcDir=C:/Test/BatHome rem 指定天数 set DaysAgo=1
跨浏览器兼容的HTML5视频音频播放器天梯梦 html5
HTML5的video和audio标签是用来在网页中加入视频和音频的标签，在支持html5的浏览器中不需要预先加载Adobe Flash浏览器插件就能轻松快速的播放视频和音频文件。而html5media.js可以在不支持html5的浏览器上使video和audio标签生效。 How to enable <video> and <audio> tags in
Bundle自定义数据传递 hm4123660 android Serializable 自定义数据传递 Bundle Parcelable
我们都知道Bundle可能过put****()方法添加各种基本类型的数据，Intent也可以通过putExtras(Bundle)将数据添加进去，然后通过startActivity()跳到下一下Activity的时候就把数据也传到下一个Activity了。如传递一个字符串到下一个Activity 把数据放到Intent
C＃：异步编程和线程的使用（.NET 4.5 ） powertoolsteam .net 线程 C#异步编程
异步编程和线程处理是并发或并行编程非常重要的功能特征。为了实现异步编程，可使用线程也可以不用。将异步与线程同时讲，将有助于我们更好的理解它们的特征。本文中涉及关键知识点 1. 异步编程 2. 线程的使用 3. 基于任务的异步模式 4. 并行编程 5. 总结异步编程什么是异步操作？异步操作是指某些操作能够独立运行，不依赖主流程或主其他处理流程。通常情况下，C＃程序
spark 查看 job history 日志 Stark_Summer 日志 spark history job
SPARK_HOME/conf 下: spark-defaults.conf 增加如下内容 spark.eventLog.enabled true spark.eventLog.dir hdfs://master:8020/var/log/spark spark.eventLog.compress true spark-env.sh 增加如下内容 export SP
SSH框架搭建 wangxiukai2015eye spring Hibernate struts
MyEclipse搭建SSH框架 Struts Spring Hibernate 1、new一个web project。 2、右键项目，为项目添加Struts支持。选择Struts2 Core Libraries -<MyEclipes-Library> 点击Finish。src目录下多了struts