基于演员的图像隐写分析：通过分类器不一致检测实现
密码学与安全
2025-01-09 v1
摘要
本文提出了一种用于检测图像隐写术中有罪演员的稳健方法，有效解决了覆盖源不匹配（Cover Source Mismatch, CSM）问题，即使用在来自不同来源的图像上训练的分类器对来自另一来源的图像进行分类的场景。为演员基于的场景设计方法，将检测分类器不一致（Detection of Classifier Inconsistencies, DCI）预测与 EfficientNet 神经网络结合用于特征提取，并使用梯度提升机进行最终分类。所提出的方法成功确定某位演员是无罪的、有罪的，或因 CSM 过度而被弃用。我们表明，即使在高 CSM 场景下，该方法仍然可靠，持续实现 80% 以上的准确率，并优于基线方法。该新方法通过为处理 CSM 和检测实际应用中的有罪演员提供一种实用且高效的解决方案，为隐写分析领域做出了贡献。
引用
@article{arxiv.2501.04362,
title = {Real-world actor-based image steganalysis via classifier inconsistency detection},
author = {Daniel Lerch-Hostalot and David Megías},
journal= {arXiv preprint arXiv:2501.04362},
year = {2025}
}