論文の概要: Deep Learning for Reversible Steganography: Principles and Insights
- arxiv url: http://arxiv.org/abs/2106.06924v1
- Date: Sun, 13 Jun 2021 05:32:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 16:02:11.388815
- Title: Deep Learning for Reversible Steganography: Principles and Insights
- Title（参考訳）: 可逆ステガノグラフィのためのディープラーニング:原則と洞察
- Authors: Ching-Chun Chang, Xu Wang, Sisheng Chen, Isao Echizen, Victor Sanchez,
and Chang-Tsun Li
- Abstract要約: 可逆的ステガノグラフィーは 有望な研究パラダイムとして登場しました
最近のアプローチは、ステガノグラフィーシステムを作り、モジュールを独立して開発することである。
本稿では,モジュラー・フレームワークを検証し,可逆的なステガノグラフィー方式でディープ・ニューラルネットワークをデプロイする。
- 参考スコア（独自算出の注目度）: 31.305695595971827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning\textendash{centric} reversible steganography has emerged as a
promising research paradigm. A direct way of applying deep learning to
reversible steganography is to construct a pair of encoder and decoder, whose
parameters are trained jointly, thereby learning the steganographic system as a
whole. This end-to-end framework, however, falls short of the reversibility
requirement because it is difficult for this kind of monolithic system, as a
black box, to create or duplicate intricate reversible mechanisms. In response
to this issue, a recent approach is to carve up the steganographic system and
work on modules independently. In particular, neural networks are deployed in
an analytics module to learn the data distribution, while an established
mechanism is called upon to handle the remaining tasks. In this paper, we
investigate the modular framework and deploy deep neural networks in a
reversible steganographic scheme referred to as prediction-error modulation, in
which an analytics module serves the purpose of pixel intensity prediction. The
primary focus of this study is on deep-learning\textendash{based} context-aware
pixel intensity prediction. We address the unsolved issues reported in related
literature, including the impact of pixel initialisation on prediction accuracy
and the influence of uncertainty propagation in dual-layer embedding.
Furthermore, we establish a connection between context-aware pixel intensity
prediction and low-level computer vision and analyse the performance of several
advanced neural networks.
- Abstract（参考訳）: Deep-learning\textendash{centric} reversible steganographyは有望な研究パラダイムとして登場した。
可逆性ステガノグラフィにディープラーニングを適用する直接の方法は、パラメータを共同で訓練した1対のエンコーダとデコーダを構築し、ステガノグラフィシステム全体を学習することである。
しかし、このエンドツーエンドのフレームワークは、ブラックボックスのようなこの種のモノリシックなシステムが複雑な可逆的なメカニズムを作成または複製することが困難であるため、可逆性要件に反する。
この問題に対応するため、最近のアプローチでは、ステガノグラフィーシステムを構築し、モジュールを独立して作業する。
特に、ニューラルネットワークはデータ分散を学ぶために分析モジュールにデプロイされ、残りのタスクを処理するために確立されたメカニズムが呼び出される。
本稿では, 解析モジュールが画素強度予測の目的を果たす, 予測エラー変調と呼ばれる可逆的な計算手法を用いて, モジュラー・フレームワークを検証し, ディープ・ニューラルネットワークを展開する。
本研究の主な焦点は、深層学習\textendash{based}コンテキスト対応ピクセル強度予測である。
本稿では,画素の初期化が予測精度に及ぼす影響や2層埋め込みにおける不確実性伝播の影響など,関連する文献で報告された未解決問題に対処する。
さらに、文脈対応画素強度予測と低レベルコンピュータビジョンの関連性を確立し、いくつかの先進ニューラルネットワークの性能を解析する。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - Bayesian Deep Learning for Graphs [6.497816402045099]
論文は、この分野のほとんどのメソッドが構築される原則のレビューから始まり、続いてグラフ分類問題の研究が続く。
そこから、ディープアーキテクチャを漸進的に構築することで、グラフのディープラーニングに関する基本的なアイデアをベイジアンの世界に橋渡しします。
このフレームワークにより、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成することができる。
論文 参考訳（メタデータ） (2022-02-24T20:18:41Z) - Less is More: Reversible Steganography with Uncertainty-Aware Predictive
Analytics [12.10752011938661]
残差変調はデジタル画像の最も高度な可逆的ステガノグラフィーアルゴリズムとして認識されている。
本稿では,予測不確実性を解析し,高いレベルの不確実性に遭遇した場合に,予測モジュールを停止するオプションを付与する。
論文 参考訳（メタデータ） (2022-02-05T09:04:50Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - An error-propagation spiking neural network compatible with neuromorphic
processors [2.432141667343098]
本稿では,局所的な重み更新機構を用いたバックプロパゲーションを近似したスパイクに基づく学習手法を提案する。
本稿では,重み更新機構による誤り信号のバックプロパゲートを可能にするネットワークアーキテクチャを提案する。
この研究は、超低消費電力混合信号ニューロモルフィック処理系の設計に向けた第一歩である。
論文 参考訳（メタデータ） (2021-04-12T07:21:08Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。
形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
論文 参考訳（メタデータ） (2020-06-17T05:14:53Z)
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。