論文の概要: A One-dimensional HEVC video steganalysis method using the Optimality of
Predicted Motion Vectors
- arxiv url: http://arxiv.org/abs/2308.06464v1
- Date: Sat, 12 Aug 2023 04:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 17:14:24.575116
- Title: A One-dimensional HEVC video steganalysis method using the Optimality of
Predicted Motion Vectors
- Title（参考訳）: 予測運動ベクトルの最適性を用いた一次元HEVCビデオステガナリシス法
- Authors: Jun Li, Minqing Zhang, Ke Niu, Yingnan Zhang, Xiaoyuan Yang
- Abstract要約: 本稿では,1次元の予測MVの最適性に基づくステガナリシス特性を提案する。
ステガノグラフィー手法は,カバービデオとステゴビデオの区別を正確に行うことができる。
- 参考スコア（独自算出の注目度）: 5.682953658523953
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Among steganalysis techniques, detection against motion vector (MV)
domain-based video steganography in High Efficiency Video Coding (HEVC)
standard remains a hot and challenging issue. For the purpose of improving the
detection performance, this paper proposes a steganalysis feature based on the
optimality of predicted MVs with a dimension of one. Firstly, we point out that
the motion vector prediction (MVP) of the prediction unit (PU) encoded using
the Advanced Motion Vector Prediction (AMVP) technique satisfies the local
optimality in the cover video. Secondly, we analyze that in HEVC video, message
embedding either using MVP index or motion vector differences (MVD) may destroy
the above optimality of MVP. And then, we define the optimal rate of MVP in
HEVC video as a steganalysis feature. Finally, we conduct steganalysis
detection experiments on two general datasets for three popular steganography
methods and compare the performance with four state-of-the-art steganalysis
methods. The experimental results show that the proposed optimal rate of MVP
for all cover videos is 100\%, while the optimal rate of MVP for all stego
videos is less than 100\%. Therefore, the proposed steganography scheme can
accurately distinguish between cover videos and stego videos, and it is
efficiently applied to practical scenarios with no model training and low
computational complexity.
- Abstract（参考訳）: ステガナリシス法では,高効率ビデオ符号化(HEVC)規格における動きベクトル(MV)領域に基づくビデオステガノグラフィーの検出がホットで難しい問題である。
本稿では,検出性能の向上を目的として,予測したmvsの1次元の最適性に基づくsteg解析機能を提案する。
まず,Advanced Motion Vector Prediction (AMVP) 技術を用いて符号化された予測ユニット(PU)の動作ベクトル予測(MVP)が,カバービデオの局所的最適性を満たすことを指摘した。
第2に、HEVCビデオにおいて、MVPインデックスまたは運動ベクトル差(MVD)を用いたメッセージ埋め込みは、上記のMVPの最適性を損なう可能性がある。
そして,HEVCビデオにおけるMVPの最適速度をステガナリシス機能として定義する。
最後に,3つの一般的なステガノグラフィー手法の2つのデータセットを用いてステガナリシス検出実験を行い,その性能を4つの最先端ステガナリシス法と比較した。
実験の結果,全カバービデオにおけるmvpの最適レートは100\%,全stegoビデオにおけるmvpの最適レートは100\%以下であることが判明した。
したがって,提案手法はカバービデオとステゴビデオとを正確に区別することができ,モデルトレーニングや計算複雑性の少ない実用的なシナリオに効果的に適用できる。
関連論文リスト
- HAVANA: Hierarchical stochastic neighbor embedding for Accelerated Video ANnotAtions [59.71751978599567]
本稿では,時間的ビデオアノテーションプロセスの高速化のために,事前抽出した特徴量と次元減少量を用いた新しいアノテーションパイプラインを提案する。
従来のリニア手法と比較して,アノテーションの取り組みが大幅に改善され,12時間以上のビデオのアノテートに要するクリック数が10倍以上に短縮された。
論文 参考訳（メタデータ） (2024-09-16T18:15:38Z) - TAPIR: Tracking Any Point with per-frame Initialization and temporal
Refinement [64.11385310305612]
本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。
提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。
結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
論文 参考訳（メタデータ） (2023-06-14T17:07:51Z) - Where are we in the search for an Artificial Visual Cortex for Embodied
Intelligence? [106.81451807227103]
Embodied AIのための、事前訓練された視覚表現(PVR)や視覚的「基礎モデル」に関する、最大かつ最も包括的な実証研究を提示する。
事前学習したデータサイズと多様性の効果を調べるため、7つの異なるソースから4000時間以上のエゴセントリックなビデオを合成する。
当社の最大のモデルであるVC-1は、従来のPVRを平均で上回っているが、どちらも支配的ではない。
論文 参考訳（メタデータ） (2023-03-31T17:56:33Z) - Greedy based Value Representation for Optimal Coordination in
Multi-agent Reinforcement Learning [64.05646120624287]
LVDとMVDの結合Q値関数を導出する。
最適な整合性を確保するために、最適なノードは独自のSTNである必要がある。
本手法は,様々なベンチマーク実験において,最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-22T08:14:50Z) - Cyclical Self-Supervision for Semi-Supervised Ejection Fraction
Prediction from Echocardiogram Videos [32.62593401120131]
左室放出率(LVEF)は心不全の重要な指標である。
ビデオからLVEFを推定するための現在の手法は、高い性能を達成するために大量の注釈付きデータを必要とする。
本稿では,LVEF予測のための最初の半教師付きアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-20T14:23:40Z) - Efficient VVC Intra Prediction Based on Deep Feature Fusion and
Probability Estimation [57.66773945887832]
本稿では,フレーム内予測におけるVersatile Video Coding (VVC) の複雑性を,深層融合と確率推定の2段階のフレームワークを用いて最適化することを提案する。
特に高精細度(HD)および超高精細度(UHD)ビデオシーケンスにおいて,提案手法の優位性を示す実験結果が得られた。
論文 参考訳（メタデータ） (2022-05-07T08:01:32Z) - Generalized Local Optimality for Video Steganalysis in Motion Vector
Domain [19.92357518756632]
動きベクトル(MV)の局所最適性は、ビデオ符号化における本質的な性質である。
局所的最適性の推定は ビデオステガナリシスにおいて 最優先事項となっている
我々は,新しいタイプのステガナリシス機能を構築し,特徴量を削減するための特徴対称性ルールを提案する。
論文 参考訳（メタデータ） (2021-12-22T08:44:12Z) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - Differentiable Deconvolution for Improved Stroke Perfusion Analysis [0.0]
動脈入力機能(AIF)は、それが選択されるべき方法と場所はまだ議論の余地があります。
最大コア病変分割性能に最適化されたAIF選択手法を提案する。
提案手法は,手動のアノテーションを使わずにAIFを生成することができ,したがって手動レーダの影響を回避できることを示す。
論文 参考訳（メタデータ） (2021-03-31T14:29:36Z) - Simple and Effective VAE Training with Calibrated Decoders [123.08908889310258]
変分オートエンコーダ(VAE)は、複雑な分布をモデル化するための効果的で簡単な方法である。
復号分布の不確かさを学習する校正復号器の影響について検討する。
本稿では,一般的なガウス復号器の簡易かつ斬新な修正を提案し,その予測分散を解析的に計算する。
論文 参考訳（メタデータ） (2020-06-23T17:57:47Z) - FOAL: Fast Online Adaptive Learning for Cardiac Motion Estimation [20.642769236234848]
心臓MRIビデオの運動推定は、ヒトの心臓解剖学と機能の評価に不可欠である。
近年の研究では、ディープラーニングベースの手法による有望な結果が示されているが、トレーニングとテストデータセットのミスマッチによる劇的なパフォーマンス低下に悩まされている。
本稿では,メタラーナーによって最適化されたオンライン勾配勾配勾配に基づく,新しい高速オンライン適応学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-10T01:51:27Z)
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。