面向“真实场景”隐写术的深度学习网络可扩展性分析
密码学与安全
2021-01-01 v1
摘要
自深度学习出现并被隐写分析领域采用以来，大多数参考文献仍使用中小规模 CNN，并在相对较小的数据库上训练。因此，不同基于深度学习的隐写分析算法（更确切地说是 CNN）之间的基准测试与比较是在中小数据库上进行的。这在不了解以下情况时完成：1. 当数据库更大时，以准确率等准则的排序是否始终一致；2. 若训练数据库大若干个数量级，CNN 的效率是否会崩溃；3. 为获得优于随机猜测者的结果，数据库或 CNN 所需的最小规模。本文在围绕 CNN 随其规模与数据库规模变化的行为进行扎实讨论后，确认误差的幂律在隐写分析中也成立，且这是在边界情形中，即使用中规模网络、在大型受约束且高度多样的数据库上。
引用
@article{arxiv.2012.14816,
title = {Analysis of the Scalability of a Deep-Learning Network for Steganography "Into the Wild"},
author = {Hugo Ruiz and Marc Chaumont and Mehdi Yedroudj and Ahmed Oulad Amara and Frédéric Comby and Gérard Subsol},
journal= {arXiv preprint arXiv:2012.14816},
year = {2021}
}
备注
Proceeding of the 25th International Conference on Pattern Recognition, ICPR'2021, Worshop on MultiMedia FORensics in the WILD, MMForWILD'2021, Lecture Notes in Computer Science, LNCS, Springer, Virtual Conference due to Covid (formerly Milan, Italy), January 10-15, 2021, 14 pages, https://iplab.dmi.unict.it/mmforwild/. Also look at the associated video (youtube)