論文の概要: Image Steganography based on Iteratively Adversarial Samples of A
Synchronized-directions Sub-image
- arxiv url: http://arxiv.org/abs/2101.05209v1
- Date: Wed, 13 Jan 2021 17:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 11:40:14.443919
- Title: Image Steganography based on Iteratively Adversarial Samples of A
Synchronized-directions Sub-image
- Title（参考訳）: 同期指向サブイメージの逐次逆サンプルに基づく画像ステガノグラフィー
- Authors: Xinghong Qin, Shunquan Tan, Bin Li, Weixuan Tang and Jiwu Huang
- Abstract要約: ステガノグラフィは、機能ベーススタグアナライザと畳み込みニューラルネットワーク(cnn)ベースのステガアナライザの両方の課題に直面する必要がある。
本稿では,ITE-SYN(ITEratively adversarial perturbations on a SYNchronized-directions sub-image)という新しいステガノグラフィー手法を提案する。
- 参考スコア（独自算出の注目度）: 40.50020437054701
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays a steganography has to face challenges of both feature based
staganalysis and convolutional neural network (CNN) based steganalysis. In this
paper, we present a novel steganography scheme denoted as ITE-SYN (based on
ITEratively adversarial perturbations onto a SYNchronized-directions
sub-image), by which security data is embedded with synchronizing modification
directions to enhance security and then iteratively increased perturbations are
added onto a sub-image to reduce loss with cover class label of the target CNN
classifier. Firstly an exist steganographic function is employed to compute
initial costs. Then the cover image is decomposed into some non-overlapped
sub-images. After each sub-image is embedded, costs will be adjusted following
clustering modification directions profile. And then the next sub-image will be
embedded with adjusted costs until all secret data has been embedded. If the
target CNN classifier does not discriminate the stego image as a cover image,
based on adjusted costs, we change costs with adversarial manners according to
signs of gradients back-propagated from the CNN classifier. And then a
sub-image is chosen to be re-embedded with changed costs. Adversarial intensity
will be iteratively increased until the adversarial stego image can fool the
target CNN classifier. Experiments demonstrate that the proposed method
effectively enhances security to counter both conventional feature-based
classifiers and CNN classifiers, even other non-target CNN classifiers.
- Abstract（参考訳）: 現在、ステガノグラフィーは、特徴ベースのスタアナリシスと畳み込みニューラルネットワーク(CNN)ベースのステガナリシスの両方の課題に直面している。
本稿では, ite-syn(同期指向サブイメージへの反復的逆摂動に基づく)と呼ばれる新しいステガノグラフィスキームを提案する。そこで, セキュリティデータを同期修正方向に埋め込み, セキュリティを強化し, サブイメージに反復的に増加する摂動を付加し, 対象のcnn分類器のカバークラスラベルによる損失を低減する。
第一に、初期コストを計算するために既存のステガノグラフィー関数が用いられる。
そして、カバー画像をいくつかの非オーバーラップサブイメージに分解する。
各サブイメージを埋め込んだ後、クラスタリング修正方向プロファイルに従ってコストが調整される。
そして次のサブイメージは、すべての秘密データが埋め込まれるまで、調整されたコストで埋め込まれる。
対象のCNN分類器が、調整コストに基づいてステゴ画像をカバーイメージとして識別しない場合、CNN分類器から逆転した勾配の兆候に応じて、逆方向のコストを変更する。
その後、サブイメージが選択され、コストが変わる。
敵のステゴ画像がターゲットのCNN分類器を騙すまで、敵の強度は反復的に増大する。
実験により,提案手法は,従来の特徴ベース分類器とCNN分類器,さらには他のターゲットでないCNN分類器の両方に対処するセキュリティを効果的に向上することを示した。
関連論文リスト
- Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - A Perturbation Resistant Transformation and Classification System for
Deep Neural Networks [0.685316573653194]
深層畳み込みニューラルネットワークは、さまざまな自然画像の正確な分類を行うが、設計時には容易に認識できる。
本稿では,攻撃的かつ容易に推定できないマルチプロハングトレーニング,非バウンド入力変換,画像アンサンブルシステムを設計する。
論文 参考訳（メタデータ） (2022-08-25T02:58:47Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-16T11:56:28Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - A Neuro-Inspired Autoencoding Defense Against Adversarial Perturbations [11.334887948796611]
ディープニューラルネットワーク(DNN)は敵の攻撃に対して脆弱である。
現在の最も効果的な防御策は、敵に摂動された例を使ってネットワークを訓練することである。
本稿では,神経に誘発される防御機構について検討する。
論文 参考訳（メタデータ） (2020-11-21T21:03:08Z) - Background Adaptive Faster R-CNN for Semi-Supervised Convolutional
Object Detection of Threats in X-Ray Images [64.39996451133268]
我々は、バックグラウンド適応型高速R-CNNと呼ばれる脅威認識のための半教師付きアプローチを提案する。
本手法は,ディープラーニング分野からのドメイン適応手法を用いた2段階物体検出器の訓練手法である。
2つのドメイン識別器(1つはオブジェクト提案を識別し、もう1つは画像特徴を識別する)は、ドメイン固有の情報を符号化するのを防ぐために敵対的に訓練される。
これにより、手作業の背景から抽出した特徴の統計と実世界のデータとを一致させることで、脅威検出の誤報率を低減することができる。
論文 参考訳（メタデータ） (2020-10-02T21:05:13Z) - Adaptive Label Smoothing [1.3198689566654107]
本稿では,学習中の目的意識とラベルの平滑化を併用した新しい分類手法を提案する。
適応ラベルスムーシングを用いて訓練されたCNNが、予測に過信される可能性がはるかに低いことを示すために、ImageNetを用いた広範な結果を示す。
論文 参考訳（メタデータ） (2020-09-14T13:37:30Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Defending Adversarial Examples via DNN Bottleneck Reinforcement [20.08619981108837]
本稿では,敵対的攻撃に対するディープニューラルネットワーク(DNN)の脆弱性を軽減するための強化手法を提案する。
後者を維持しながら前者を補強することにより、逆らうか否かに関わらず、冗長な情報は、潜在表現から取り除かなければならない。
情報ボトルネックを強化するために,ネットワークの周波数ステアリングを改善するために,マルチスケールの低域目標とマルチスケールの高周波通信を導入する。
論文 参考訳（メタデータ） (2020-08-12T11:02:01Z) - Test-Time Adaptable Neural Networks for Robust Medical Image
Segmentation [9.372152932156293]
畳み込みニューラルネットワーク(CNN)は、教師付き学習問題に対して非常にうまく機能する。
医用画像のセグメンテーションにおいて、この前提は、取得の詳細の観点から、トレーニング画像とテスト画像のミスマッチがある場合に違反する。
比較的浅い画像正規化CNNと、正規化画像を分割する深いCNNの2つのサブネットワークの結合としてセグメンテーションCNNを設計する。
論文 参考訳（メタデータ） (2020-04-09T16:57:27Z)
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。