論文の概要: Less is More: Reversible Steganography with Uncertainty-Aware Predictive Analytics

• arxiv url: http://arxiv.org/abs/2202.02518v1
• Date: Sat, 5 Feb 2022 09:04:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 18:50:23.010365
• Title: Less is More: Reversible Steganography with Uncertainty-Aware Predictive Analytics
• Title（参考訳）: less is more: 不確実性を考慮した予測分析による可逆性ステガノグラフィ
• Authors: Ching-Chun Chang, Xu Wang, Sisheng Chen and Isao Echizen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.10752011938661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial neural networks have advanced the frontiers of reversible steganography. The core strength of neural networks is the ability to render accurate predictions for a bewildering variety of data. Residual modulation is recognised as the most advanced reversible steganographic algorithm for digital images and the pivot of which is the predictive module. The function of this module is to predict pixel intensity given some pixel-wise contextual information. This task can be perceived as a low-level vision problem and hence neural networks for addressing a similar class of problems can be deployed. On top of the prior art, this paper analyses the predictive uncertainty and endows the predictive module with the option to abstain when encountering a high level of uncertainty. Uncertainty analysis can be formulated as a pixel-level binary classification problem and tackled by both supervised and unsupervised learning. In contrast to handcrafted statistical analytics, learning-based analytics can learn to follow some general statistical principles and simultaneously adapt to a specific predictor. Experimental results show that steganographic performance can be remarkably improved by adaptively filtering out the unpredictable regions with the learning-based uncertainty analysers.
• Abstract（参考訳）: 人工ニューラルネットワークは、可逆性ステガノグラフィーのフロンティアを進歩させた。 ニューラルネットワークの中核となる強みは、さまざまなデータに対して正確な予測を行う能力である。 残差変調はデジタル画像の最も先進的な可逆ステガノグラフィーアルゴリズムとして認識され、そのピボットは予測モジュールである。 このモジュールの機能は、ピクセル毎のコンテキスト情報からピクセル強度を予測することである。 このタスクは低レベルの視覚問題として認識することができ、同様の問題に対処するニューラルネットワークをデプロイすることができる。 本稿では,先行技術に基づいて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。 不確実性解析は画素レベルのバイナリ分類問題として定式化することができ、教師なし学習と教師なし学習の両方によって取り組まれる。 手作りの統計分析とは対照的に、学習ベースの分析はいくつかの一般的な統計原則に従うことを学び、同時に特定の予測器に適応することができる。 実験の結果, 学習に基づく不確実性解析器を用いて予測不能領域を適応的にフィルタリングすることにより, ステガノグラフィーの性能が著しく向上することがわかった。

関連論文リスト

• Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
  提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。 我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
  論文  参考訳（メタデータ） (2023-01-16T14:25:02Z)
• BayesNetCNN: incorporating uncertainty in neural networks for image-based classification tasks [0.29005223064604074]
  本稿では,標準的なニューラルネットワークをベイズニューラルネットワークに変換する手法を提案する。 本研究では,各前方パスにおいて,元のものと類似した異なるネットワークをサンプリングすることにより,予測のばらつきを推定する。 我々は、アルツハイマー病患者の脳画像の大きなコホートを用いて、我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-09-27T01:07:19Z)
• Generalizability Analysis of Graph-based Trajectory Predictor with Vectorized Representation [29.623692599892365]
  軌道予測は自動運転車にとって不可欠な課題の1つである。 機械学習の最近の進歩は、一連の高度な軌道予測アルゴリズムを生み出した。
  論文  参考訳（メタデータ） (2022-08-06T20:19:52Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• 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)
• Bayesian Neural Networks for Reversible Steganography [0.7614628596146599]
  ベイズ深層学習の理論的枠組みに基づく予測モデルにおける不確実性を検討することを提案する。 我々はモンテカルロサンプリングによる後方予測分布を可逆な前方通過で近似した。 予測の不確実性はアレータリックな不確実性に切り離すことができ、これらの量は教師なしの方法で学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-07T14:56:33Z)
• Deep Learning for Reversible Steganography: Principles and Insights [31.305695595971827]
  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。
  論文  参考訳（メタデータ） (2021-06-13T05:32:17Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction [7.6146285961466]
  本研究では、画像データと非画像データを自動的に統合し、不確実性を考慮した疾患予測を行うための一般化可能なフレームワークを提案する。 4つのデータベースを用いた実験結果から,自閉症スペクトラム障害,アルツハイマー病,眼疾患の診断精度を一貫して改善できることがわかった。
  論文  参考訳（メタデータ） (2020-09-06T15:53:17Z)

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。