論文の概要: MCTSteg: A Monte Carlo Tree Search-based Reinforcement Learning Framework for Universal Non-additive Steganography

• arxiv url: http://arxiv.org/abs/2103.13689v1
• Date: Thu, 25 Mar 2021 09:12:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:45:29.773394
• Title: MCTSteg: A Monte Carlo Tree Search-based Reinforcement Learning Framework for Universal Non-additive Steganography
• Title（参考訳）: MCTSteg: モンテカルロ木探索に基づく非付加的ステレオグラフィのための強化学習フレームワーク
• Authors: Xianbo Mo and Shunquan Tan and Bin Li and Jiwu Huang
• Abstract要約: MCTStegと呼ばれる自動非付加ステガノグラフィー歪み学習フレームワークを提案する。 自己学習特性とドメインに依存しない報酬機能により、MCTStegは初めて報告された普遍的な非付加性ステガノグラフィーフレームワークとなった。
• 参考スコア（独自算出の注目度）: 40.622844703837046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has shown that non-additive image steganographic frameworks effectively improve security performance through adjusting distortion distribution. However, as far as we know, all of the existing non-additive proposals are based on handcrafted policies, and can only be applied to a specific image domain, which heavily prevent non-additive steganography from releasing its full potentiality. In this paper, we propose an automatic non-additive steganographic distortion learning framework called MCTSteg to remove the above restrictions. Guided by the reinforcement learning paradigm, we combine Monte Carlo Tree Search (MCTS) and steganalyzer-based environmental model to build MCTSteg. MCTS makes sequential decisions to adjust distortion distribution without human intervention. Our proposed environmental model is used to obtain feedbacks from each decision. Due to its self-learning characteristic and domain-independent reward function, MCTSteg has become the first reported universal non-additive steganographic framework which can work in both spatial and JPEG domains. Extensive experimental results show that MCTSteg can effectively withstand the detection of both hand-crafted feature-based and deep-learning-based steganalyzers. In both spatial and JPEG domains, the security performance of MCTSteg steadily outperforms the state of the art by a clear margin under different scenarios.
• Abstract（参考訳）: 近年の研究では、非加法的な画像ステガノグラフィーフレームワークが歪み分布の調整により、セキュリティ性能を効果的に向上することが示されている。 しかし、我々が知る限り、既存の非加法的提案はすべて手作りのポリシーに基づいており、特定の画像ドメインにのみ適用することができ、非加法的ステガノグラフィーが完全な可能性を解放することを防ぐことができる。 本稿では,mctsteg と呼ばれる非加法的歪み学習フレームワークを提案し,上記の制約を解消する。 強化学習パラダイムに導かれ,モンテカルロ木探索 (mcts) とステガナライザー環境モデルを組み合わせたmctstegを構築する。 mctsは、人間の介入なしに歪み分布を調整するために順次決定する。 提案する環境モデルを用いて,各意思決定からフィードバックを得る。 自己学習の特徴とドメインに依存しない報酬関数のため、mctstegは空間領域とjpeg領域の両方で機能する初の普遍的非加法ステガノグラフィーフレームワークとなった。 MCTStegは手作りの特徴ベースと深層学習ベースの両方のステガナライザーの検出に効果的であることを示す。 空間領域とJPEG領域の両方において、MCTStegのセキュリティ性能は、異なるシナリオ下で明確なマージンで、着実に向上している。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Inter- and intra-uncertainty based feature aggregation model for semi-supervised histopathology image segmentation [21.973620376753594]
  学生モデルにおける階層的予測の不確実性(不確実性)と画像予測不確実性(不確実性)は,既存の手法では十分に活用されていない。 本研究では,教師・学生アーキテクチャにおける不整合度と不整合度を計測・制約する新しい不整合正規化手法を提案する。 また,セグメンテーションモデルとして擬似マスク誘導特徴集約(PG-FANet)を用いた2段階ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-19T14:32:21Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• JPEG Steganalysis Based on Steganographic Feature Enhancement and Graph Attention Learning [15.652077779677091]
  JPEGステガナリシスのための表現学習アルゴリズムを提案する。 グラフ注意学習モジュールは、畳み込みニューラルネットワークの局所的特徴学習によるグローバルな特徴損失を回避するように設計されている。 本発明の特徴強化モジュールは、畳み込み層の積み重ねがステガノグラフ情報を弱めるのを防止するために適用される。
  論文  参考訳（メタデータ） (2023-02-05T01:42:19Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Self-supervised Correlation Mining Network for Person Image Generation [9.505343361614928]
  人物画像生成は、ソース画像の非剛性変形を実現することを目的としている。 特徴空間のソース画像を再構成する自己教師付き相関マイニングネットワーク(SCM-Net)を提案する。 クロススケールポーズ変換の忠実度を向上させるために,グラフに基づく身体構造保持損失を提案する。
  論文  参考訳（メタデータ） (2021-11-26T03:57:46Z)
• FREE: Feature Refinement for Generalized Zero-Shot Learning [86.41074134041394]
  汎用ゼロショット学習(GZSL)は、視覚-意味的領域ギャップと目に見えないバイアスの問題を克服するために多くの努力を払って、大きな進歩を遂げた。 既存のほとんどのメソッドはImageNetでトレーニングされた機能抽出モデルを直接使用しており、ImageNetとGZSLベンチマークのデータセット間のバイアスを無視している。 本稿では,この問題に対処するために,汎用ゼロショット学習(FREE)のための特徴改善という,シンプルで効果的なGZSL法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T08:11:01Z)
• Generative Self-training for Cross-domain Unsupervised Tagged-to-Cine MRI Synthesis [10.636015177721635]
  クロスドメイン画像合成のための連続値予測と回帰目標を用いた新たな自己学習フレームワークを提案する。 具体的には,疑似ラベルを不確実性マスクでフィルタリングし,実際のベイズ学習を用いて生成した画像の予測信頼度を定量化する。
  論文  参考訳（メタデータ） (2021-06-23T16:19:00Z)

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。