附录 F · 6–12 个月深入自学路线图

附录 F · 6–12 个月深入自学路线图#

🌐 English version

动手做｜ 导读 0.3 给的是 12 周“能入门” 的压缩路线；这一节给的是 6–12 个月“能搞懂并做出成果” 的深入路线。适合想真正吃透数字图像处理、信息隐藏与机器学习三大块、并动手做研究/工程的人。两条路线用的是同一批内容，只是时长的分配不同。

图 F-1 路线图

图 F-1（6–12 个月甘特图：横轴=月份，纵轴=主题，颜色=领域；虚线把全程分成基础期(1–3) / 提高期(4–6) / 深化期(7–9) / 实战期(10–12) 四段）

阶段	月份	目标	主攻内容	结束时你能做什么
基础期	1–3	把三大领域的“地基”打实	ch01 数字图像与二进制、ch02 Python 工具链、ch03 LSB 隐写与盲分析、ch04 矩阵编码与 F5、ch05 nsF5 湿纸、ch06 哈希键控	能独立“藏一句话→用卡方/RS 抓到它”；手算一个 p=3 汉明嵌入；讲清湿纸解码
提高期	4–6	进入机器学习，建立“特征→模型→评估”框架	ch07 机器学习基础、ch08 机器学习隐写检测（11 维→143 维→双版本）	能讲清过拟合/数据泄漏/GroupKFold/AUC；看懂并复现 v1 11 维训练管线
深化期	7–9	吃透工程与“为什么这么设计”	ch08.8 SRM 与 143d/53d 策略、ch09 工程化（C++ / GPU / GUI / 多源数据）	读懂 SRM 滤波与 143 维特征；理解同源/跨源收益差异；跑通 GPU 批量特征与自校验
实战期	10–12	做一件“自己的”完整工作	ch10 综合项目、ch11 汇报；并选择一条研究或工程主线深入	完成一个可复现的改进实验并给出诚实结果分析；能脱稿答辩

新手提示｜ “基础期”几乎与 12 周路线一样，只是每周多花时间把每个为什么想透（尤其第 3 章的统计检测与第 5 章的湿纸）。真正的差距在“深化期”与“实战期”。

想做出成果，别平均用力。选一条主线深挖，其余保持“看得懂”即可：

主线	聚焦	深度学习参考
算法主线	nsF5/F5、矩阵嵌入、湿纸、伴随式	ch04–05、项目 `ns5_core.py`；往外可延伸 JPEG 域与 DCT 系数隐写
检测 / ML 主线	特征工程、SRM、143d/53d、OOD	ch08、`featurize_v2.py`、`train_model.py`；往外可延伸现代高维特征与深度学习隐写分析
工程主线	C++ DLL、GPU 批量、GUI、多源数据集、CI	ch09、`cppembed.py`、`gpu/*`、`.github/workflows`；往外可延伸部署与鲁棒性
研究主线	复现论文→找 gap→做改进→诚实评估	文献（appE）与 `docs/RESULTS.md`；强调“切分/校准/测试”严谨性（ch07）

JPEG 域隐写：把 ch04–05 的思路搬到量化 DCT 系数（姊妹项目 yccstego 即此方向），体会“空间域 vs 变换域”的差异；
深度学习隐写分析：在小样本约束下，如何用可解释特征先验证信号，再谨慎引入深度模型（ch08.1 的教训）；
域适应 / 跨源鲁棒性：SRM 预处理在 v1 口径下同源有收益、跨源反而亏（ch08.8.1；该口径未在当前版本复现），可研究如何用域适应让特征跨相机/压缩源更稳；
对抗鲁棒性与误报控制：研究“宽松 vs 严格”阈值与 Youden/低误报点的取舍（ch07），以及不可检测嵌入的物理上限；
可解释性：143d 稳健 vs 53d 可解释（ch08.8.4），可研究哪些特征真正贡献了增益、如何做逐维解释。

回到项目看代码｜ 把上述任一课题落到代码上：先跑通基线，再做小改动，用 GroupKFold 给出诚实对照。“改了 A、结果变好”不足以服人，要用训练/校准/测试三层结构 + 分组切分证明它真的变好。（ch07、ch08 反复强调这一点。）

想快速入门：按 0.3，12 周跑一遍，做到附录 C 的打卡表；
想深入并出成果：按本节，6–12 个月，把 0.3 的每周任务放慢、加深、关联，并在“深化期/实战期”加入 0.5 项目地图里那些只在研究时才真正需要的部分（SRM、多源、GPU、双版本、OOD 验证）。
两者的共同底线：不要略过“动手实验”，也不要略过“诚实评估”。这本手册最想教你的不是某个算法，而是**“怎么判断一个实验结论靠不靠谱”**。

想一想｜ 你打算选哪条主线？打算用多长的周期？（12 周 vs 6–12 月，意味着你把时间花在“宽度”还是“深度”上。）把它写下来，作为你学习这本书的“个人目标”。