論文の概要: BitMix: Data Augmentation for Image Steganalysis

• arxiv url: http://arxiv.org/abs/2006.16625v1
• Date: Tue, 30 Jun 2020 09:36:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 05:37:38.030548
• Title: BitMix: Data Augmentation for Image Steganalysis
• Title（参考訳）: BitMix:画像ステガナリシスのためのデータ拡張
• Authors: In-Jae Yu, Wonhyuk Ahn, Seung-Hun Nam, Heung-Kyu Lee
• Abstract要約: 画像ステガナシスのためのCNNは、高レベルの視覚タスクの概念を採用することで、より良いパフォーマンスを示す。 メッセージ埋め込みを損なうことなく、データを増大させるため、ステガナリシスでは、90度の回転数または水平反転数のみを使用する。 空間画像ステガナリシスのためのデータ拡張法BitMixを提案する。
• 参考スコア（独自算出の注目度）: 10.475451920008203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNN) for image steganalysis demonstrate better performances with employing concepts from high-level vision tasks. The major employed concept is to use data augmentation to avoid overfitting due to limited data. To augment data without damaging the message embedding, only rotating multiples of 90 degrees or horizontally flipping are used in steganalysis, which generates eight fixed results from one sample. To overcome this limitation, we propose BitMix, a data augmentation method for spatial image steganalysis. BitMix mixes a cover and stego image pair by swapping the random patch and generates an embedding adaptive label with the ratio of the number of pixels modified in the swapped patch to those in the cover-stego pair. We explore optimal hyperparameters, the ratio of applying BitMix in the mini-batch, and the size of the bounding box for swapping patch. The results reveal that using BitMix improves the performance of spatial image steganalysis and better than other data augmentation methods.
• Abstract（参考訳）: 画像ステガナシスのための畳み込みニューラルネットワーク(CNN)は、ハイレベル視覚タスクの概念を採用することにより、より良いパフォーマンスを示す。 主な採用概念は、制限されたデータによる過剰フィッティングを避けるためにデータ拡張を使用することである。 メッセージ埋め込みを損なうことなくデータを増強するため、1つのサンプルから8つの固定結果を生成するsteg analysisでは、90度の回転倍数または水平反転のみを使用する。 この制限を克服するために,空間画像ステガナリシスのためのデータ拡張法BitMixを提案する。 BitMixは、ランダムパッチをスワップしてカバーとステゴイメージペアを混合し、スワップされたパッチで修正された画素数とカバーステゴペアの画素数との比率で埋め込み適応ラベルを生成する。 最適なハイパーパラメータ、ミニバッチにおけるBitMixの適用率、パッチ交換のためのバウンディングボックスのサイズについて検討する。 その結果,BitMixを用いることで空間画像ステガナリシスの性能が向上し,他のデータ拡張法よりも優れることがわかった。

関連論文リスト

• DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models [18.44432223381586]
  近年、ディープニューラルネットワークの一般化を改善するために、画像混合に基づく拡張技術が数多く導入されている。 これらの手法では、2つ以上のランダムに選択された自然画像が混合され、拡張画像を生成する。 DiffuseMixを提案する。DiffuseMixは、拡散モデルを利用してトレーニング画像を再構成する新しいデータ拡張手法である。
  論文  参考訳（メタデータ） (2024-04-05T05:31:02Z)
• GuidedMixup: An Efficient Mixup Strategy Guided by Saliency Maps [6.396288020763144]
  本稿では,計算オーバーヘッドの少ない混合画像における局所領域の維持を目的とした GuidedMixup を提案する。 我々は,ペア画像の健全な領域の競合を最小限に抑えるために,効率的なペアリングアルゴリズムを開発した。 いくつかのデータセットの実験では、 GuidedMixupがオーバヘッドの増大と一般化のパフォーマンスのトレードオフとして優れていることが示されている。
  論文  参考訳（メタデータ） (2023-06-29T00:55:51Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
  muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。 本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。 muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
  論文  参考訳（メタデータ） (2022-11-23T11:26:24Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
  本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。 本稿では,より効率的で実装が容易なresizemix法を提案する。
  論文  参考訳（メタデータ） (2020-12-21T03:43:13Z)
• SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
  提案はSemantically Proportional Mixing(SnapMix)と呼ばれる クラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。 本手法は既存の混合型アプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-12-09T03:37:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。