面向深度学习隐写分析的图像尺寸变化下安全性不变性研究
计算机视觉与模式识别
2023-02-23 v1 密码学与安全
摘要
在本文中，我们研究了在更“野生隐写分析”背景下，卷积神经网络面对可变图像尺寸时的性能不变性。首先，我们提出了两种算法和定义，用于构建具有“相似难度”和“相似安全性”的数据集的精细实验协议。“smart crop 2”算法引入了近嵌套图像数据集（NNID），以确保各数据集间的“相似难度”，而二分搜索算法可实现“相似安全性”。其次，我们表明在最先进的架构中不存在不变性。我们还展示了当测试图像大于或小于训练图像时行为的差异。最后，基于实验，我们提出使用空洞卷积，从而改进了一种最先进的架构。
引用
@article{arxiv.2302.11527,
title = {A study on the invariance in security whatever the dimension of images for the steganalysis by deep-learning},
author = {Kévin Planolles and Marc Chaumont and Frédéric Comby},
journal= {arXiv preprint arXiv:2302.11527},
year = {2023}
}
备注
PAPER ACCEPTED TO IEEE ICASSP'2023, GREEK ISLAND OF RHODES, 4-10 JUNE 2023. FAQ can be found there https://www.lirmm.fr/~chaumont/publications/QA-ICASSP2023.pdf