論文の概要: Data Hiding with Deep Learning: A Survey Unifying Digital Watermarking
and Steganography
- arxiv url: http://arxiv.org/abs/2107.09287v1
- Date: Tue, 20 Jul 2021 07:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 14:58:43.176384
- Title: Data Hiding with Deep Learning: A Survey Unifying Digital Watermarking
and Steganography
- Title(参考訳): ディープラーニングによるデータ隠蔽: デジタル透かしとステガノグラフィの統合調査
- Authors: Olivia Byrnes, Wendy La, Hu Wang, Congbo Ma, Minhui Xue, Qi Wu
- Abstract要約: データ隠蔽は、音声、ビデオ、画像などのノイズ耐性信号に情報を埋め込むプロセスである。
デジタル透かし(Digital watermarking)は、データの識別が堅牢に埋め込まれ、改ざんに抵抗できるデータ隠蔽の一種である。
ステガノグラフィー(Steganography)は、セキュアで秘密のコミュニケーションを目的としたデータを埋め込みます。
- 参考スコア(独自算出の注目度): 17.660781843361956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data hiding is the process of embedding information into a noise-tolerant
signal such as a piece of audio, video, or image. Digital watermarking is a
form of data hiding where identifying data is robustly embedded so that it can
resist tampering and be used to identify the original owners of the media.
Steganography, another form of data hiding, embeds data for the purpose of
secure and secret communication. This survey summarises recent developments in
deep learning techniques for data hiding for the purposes of watermarking and
steganography, categorising them based on model architectures and noise
injection methods. The objective functions, evaluation metrics, and datasets
used for training these data hiding models are comprehensively summarised.
Finally, we propose and discuss possible future directions for research into
deep data hiding techniques.
- Abstract(参考訳): データ隠蔽は、音声、ビデオ、画像などのノイズに耐性のある信号に情報を埋め込むプロセスである。
デジタル透かし(Digital watermarking)は、データの識別が堅牢に埋め込まれ、改ざんに抵抗し、元のメディア所有者を識別するために使用できるデータ隠蔽の一種である。
ステガノグラフィー(Steganography)は、セキュアで秘密のコミュニケーションを目的としたデータを埋め込みます。
この調査は、透かしとステガノグラフィーのための深層学習技術の最近の発展を要約し、それらをモデルアーキテクチャとノイズ注入法に基づいて分類する。
これらのデータ隠蔽モデルのトレーニングに使用される客観的関数、評価メトリクス、データセットは、包括的に要約される。
最後に,深層データ隠蔽技術の研究の今後の方向性について提案・検討する。
関連論文リスト
- Leveraging Internal Representations of Model for Magnetic Image
Classification [0.13654846342364302]
本稿では、1つの磁気画像とそれに対応するラベル画像しか持たないシナリオに特化して設計された機械学習モデルトレーニングのための、潜在的に画期的なパラダイムを提案する。
私たちはDeep Learningの能力を活用して、データの不足を克服することを目的として、簡潔で情報に富んだサンプルを生成します。
論文 参考訳(メタデータ) (2024-03-11T15:15:50Z) - An advanced data fabric architecture leveraging homomorphic encryption
and federated learning [10.779491433438144]
本稿では,分散データファブリックアーキテクチャにおけるフェデレーション学習と部分同型暗号を用いた医用画像解析のためのセキュアなアプローチを提案する。
本研究は下垂体腫瘍分類のケーススタディを通じて, 本手法の有効性を実証し, 高い精度を達成した。
論文 参考訳(メタデータ) (2024-02-15T08:50:36Z) - Deepfake Detection and the Impact of Limited Computing Capabilities [0.0]
この研究は、限られたコンピューティングリソースを持つシナリオにおいて、既存のさまざまなデータセットにわたるディープフェイクの検出に対処することを目的としている。
目標は、これらの制限の下で異なるディープラーニング技術の適用性を分析し、その効率を高めるための可能なアプローチを探ることである。
論文 参考訳(メタデータ) (2024-02-08T11:04:34Z) - Enhancing Situational Awareness in Surveillance: Leveraging Data
Visualization Techniques for Machine Learning-based Video Analytics Outcomes [2.1374208474242815]
本研究では、現在のインフラ内のAI監視データに適したデータ表現と可視化技術について、徹底的に検討する。
それは、重要なデータメトリクス、状況認識のための方法、そして様々な可視化技術に分かれている。
その結果、AI監視データの可視化が緊急処理、公衆衛生プロトコル、群衆制御、資源分布、予測モデリング、都市計画、情報意思決定に与える影響を強調した。
論文 参考訳(メタデータ) (2023-12-09T18:32:44Z) - A Survey of Graph Unlearning [11.841882902141696]
グラフアンラーニングは、トレーニングされたモデルからセンシティブなデータトレースを取り除き、忘れられる権利を維持する手段を提供する。
本稿では,多種多様な方法論を包含したグラフアンラーニング手法の体系的レビューを行う。
我々は、ソーシャルネットワーク、敵対的設定、リソース制約のある環境など、さまざまな領域にわたるグラフアンラーニングの汎用性について検討する。
論文 参考訳(メタデータ) (2023-08-23T20:50:52Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳(メタデータ) (2023-07-10T04:30:23Z) - Your Room is not Private: Gradient Inversion Attack on Reinforcement
Learning [47.96266341738642]
プライバシーは、ロボットが実質的な個人情報にアクセスすることによって、具体化されたAIの領域における重要な関心事として浮上する。
本稿では, 状態, 行動, 監視信号の再構成に勾配インバージョンを利用する, 値ベースアルゴリズムと勾配ベースアルゴリズムに対する攻撃を提案する。
論文 参考訳(メタデータ) (2023-06-15T16:53:26Z) - Don't Forget to Sign the Gradients! [60.98885980669777]
GradSignsはディープニューラルネットワーク(DNN)のための新しい透かしフレームワーク
深部ニューラルネットワーク(DNN)のための新しい透かしフレームワークであるGradSignsを紹介します。
論文 参考訳(メタデータ) (2021-03-05T14:24:32Z) - A Brief Survey on Deep Learning Based Data Hiding, Steganography and
Watermarking [98.1953404873897]
既存の文献を簡潔かつ包括的にレビューし,3つのメタアーキテクチャを概説する。
そこで本研究では,ステガノグラフィ,ライトフィールドメッセージング,ウォーターマーキングなど,深層隠れの応用に関する具体的な戦略を概説する。
論文 参考訳(メタデータ) (2021-03-02T10:01:03Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
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。