論文の概要: TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning
- arxiv url: http://arxiv.org/abs/2504.18348v1
- Date: Fri, 25 Apr 2025 13:36:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.782855
- Title: TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning
- Title（参考訳）: TSCL:カリキュラム学習に基づく深層学習画像ステガノグラフィのための多人数損失バランススキーム
- Authors: Fengchun Liu. Tong Zhang, Chunying Zhang,
- Abstract要約: 深層学習画像ステガノグラフィーアルゴリズムにおける多項損失のバランスをとるための2段階学習損失スケジューラ(TSCL)を提案する。
ALASKA2、VOC2012、ImageNetの3つの大規模な公開データセットの実験結果から、提案したTSCL戦略は、ステガノグラフィーの品質、デコード精度、セキュリティを改善することが示された。
- 参考スコア（独自算出の注目度）: 0.3683202928838613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For deep learning-based image steganography frameworks, in order to ensure the invisibility and recoverability of the information embedding, the loss function usually contains several losses such as embedding loss, recovery loss and steganalysis loss. In previous research works, fixed loss weights are usually chosen for training optimization, and this setting is not linked to the importance of the steganography task itself and the training process. In this paper, we propose a Two-stage Curriculum Learning loss scheduler (TSCL) for balancing multinomial losses in deep learning image steganography algorithms. TSCL consists of two phases: a priori curriculum control and loss dynamics control. The first phase firstly focuses the model on learning the information embedding of the original image by controlling the loss weights in the multi-party adversarial training; secondly, it makes the model shift its learning focus to improving the decoding accuracy; and finally, it makes the model learn to generate a steganographic image that is resistant to steganalysis. In the second stage, the learning speed of each training task is evaluated by calculating the loss drop of the before and after iteration rounds to balance the learning of each task. Experimental results on three large public datasets, ALASKA2, VOC2012 and ImageNet, show that the proposed TSCL strategy improves the quality of steganography, decoding accuracy and security.
- Abstract（参考訳）: 深層学習に基づく画像ステガノグラフィーフレームワークでは、情報埋め込みの可視性と回復性を確保するため、損失関数は通常、埋め込み損失、回復損失、ステガノリシス損失などのいくつかの損失を含む。
従来の研究では、固定損失重みはトレーニング最適化のために選択され、この設定はステガノグラフィータスク自体の重要性とトレーニングプロセスに関係しない。
本稿では,ディープラーニング画像ステガノグラフィーアルゴリズムにおける多項損失のバランスをとるための2段階学習損失スケジューラ(TSCL)を提案する。
TSCLは、事前カリキュラム制御と損失ダイナミクス制御の2つのフェーズで構成されている。
第1フェーズは、多人数対人訓練における損失重みを制御して、原画像の情報を埋め込む学習モデルに焦点を当て、第2フェーズでは、復号精度の向上に学習の焦点をシフトさせ、最後に、ステガナリシスに耐性のあるステガノグラフィ画像を生成することを学習させる。
第2段階では、繰り返しラウンド前後の損失損失を算出し、各タスクの学習のバランスをとることにより、各トレーニングタスクの学習速度を評価する。
ALASKA2、VOC2012、ImageNetの3つの大規模な公開データセットの実験結果から、提案したTSCL戦略は、ステガノグラフィーの品質、デコード精度、セキュリティを改善することが示された。
関連論文リスト
- STCL:Curriculum learning Strategies for deep learning image steganography models [8.251354931895667]
本稿では、ディープラーニング画像ステガノグラフィーモデルのためのステガノグラフィ学習訓練戦略(STCL)を提案する。
この戦略は、教師モデルに基づく難易度評価戦略と膝点に基づく訓練計画戦略とを含む。
ALASKA2,VOC2012,ImageNetの3つの大規模公開データセットに対する実験結果から,提案手法がモデル性能を向上させることを示す。
論文 参考訳（メタデータ） (2025-04-24T14:34:41Z) - CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。
本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。
エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。
推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
論文 参考訳（メタデータ） (2024-12-23T10:41:18Z) - Multi-task Learning for Optical Coherence Tomography Angiography (OCTA)
Vessel Segmentation [1.7539061565898157]
本稿では,OCTA-MTLと呼ばれる,OCTAセグメンテーションのためのマルチタスク学習手法を提案する。
適応的損失結合戦略は、各タスクの平均損失値の逆数に応じて損失重量を動的に調整する。
ROSE-2データセットのセグメンテーション性能を2つのベースライン法と比較して評価した。
論文 参考訳（メタデータ） (2023-11-03T23:10:56Z) - Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳（メタデータ） (2023-06-01T12:53:10Z) - Train smarter, not harder: learning deep abdominal CT registration on
scarce data [0.8179387741893692]
腹部画像における畳み込みニューラルネットワークによる画像-画像の登録を改善するためのトレーニング戦略について検討する。
訓練段階におけるセグメンテーションを用いた指導は、ディープラーニングに基づく画像登録に有用であることが証明された。
脳MRIデータセットから腹部CTデータセットまで、事前訓練されたモデルを微調整することで、パフォーマンスがさらに向上した。
論文 参考訳（メタデータ） (2022-11-28T19:03:01Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。
基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。
共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
論文 参考訳（メタデータ） (2020-11-12T17:56:05Z) - Switching Loss for Generalized Nucleus Detection in Histopathology [1.8251485068161968]
本稿では,前景クラスと背景クラスとの強調を適応的にシフトするスイッチングロス関数を提案する。
ソースデータセットで提案された損失関数を用いてトレーニングされた核検出器は、クロスエントロピー、ディース、焦点損失を使用してトレーニングされたものよりも優れていた。
論文 参考訳（メタデータ） (2020-08-09T15:42:50Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z)
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。