論文の概要: PENet+: A Lightweight Residual Transformer Framework for Efficient Image Steganalysis

• arxiv url: http://arxiv.org/abs/2606.10939v1
• Date: Tue, 09 Jun 2026 14:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.562313
• Title: PENet+: A Lightweight Residual Transformer Framework for Efficient Image Steganalysis
• Title（参考訳）: PENet+:高効率画像ステガナリシスのための軽量残差変圧器フレームワーク
• Authors: Jincheol AN, Dongsu Kim, Haneol Jang, YoungJoon Yoo,
• Abstract要約: ステガナリシスは 現代のサイバーセキュリティと デジタル法医学の中核的な要素です 最近の残差トランスフォーマーアーキテクチャは、強力な検出精度を実現するが、その計算およびメモリ要求は、リソース制約された設定への展開を妨げる。 本稿では,PENetの識別構造を保存し,効率を大幅に向上する軽量ステガナリシスフレームワークPENet+を提案する。
• 参考スコア（独自算出の注目度）: 9.15921637313934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image steganalysis, the detection of hidden information embedded in digital images, is a core component of modern cybersecurity and digital forensics. Recent residual Transformer architectures, such as the Pixel-Difference-Convolution and Enhanced-Transformer-Network (PENet) [1], achieve strong detection accuracy, but their computational and memory demands hinder deployment in resource-constrained settings. We present PENet+, a lightweight steganalysis framework that preserves PENet's discriminative structure while substantially improving efficiency. Rather than redesigning or compressing the attention blocks, we retain PENet's self-attention topology for reproducibility and add a classifier-streamlining stage that progressively narrows the SPP-to-FC1 input channels (SPP: spatial pyramid pooling; FC1: first fully connected layer), yielding large reductions in parameters and FLOPs with negligible accuracy loss. We further refine the high-pass-filter (HPF) stem with an activation-aware mechanism that aggregates HPF responses early and selects a balanced SRM-Gabor top-K subset, and we replace PENet's backbone with a MobileNetV2-style inverted residual network. A balanced configuration with K=31 filters (16 Gabor + 15 SRM) matches or surpasses heavier settings at lower compute. Finally, we motivate PReLU from a steganalysis standpoint, arguing that preserving negative responses helps capture weak stego cues that ReLU suppresses. On a disjoint ALASKA2 JPEG QF90 protocol at 512x512 resolution (5,000 cover images for training, validation, and internal testing; a separate 19,000-cover evaluation set), PENet+ achieves up to 45.5% fewer parameters and about 97% fewer FLOPs than the re-evaluated PENet baseline, offering a computationally efficient direction for resource-constrained steganalysis. Device-level latency and power measurements remain future work.
• Abstract（参考訳）: 画像ステガナリシス(英: Image steganalysis)は、デジタル画像に埋め込まれた隠された情報を検知する技術であり、現代のサイバーセキュリティとデジタル法医学の中核となる要素である。 Pixel-Difference-Convolution や Enhanced-Transformer-Network (PENet) [1] のような最近の残差トランスフォーマーアーキテクチャは、強力な検出精度を実現するが、その計算とメモリ要求は、リソース制約された設定への展開を妨げる。 本稿では,PENetの識別構造を保存し,効率を大幅に向上する軽量ステガナリシスフレームワークPENet+を提案する。 SPP-to-FC1入力チャネル (SPP: Space pyramid pooling; FC1: first full connected layer) を段階的に狭め、パラメータやFLOPを無視できる精度で大幅に削減する。 我々は、HPF応答を早期に集約し、バランスの取れたSRM-GaborトップKサブセットを選択し、PENetのバックボーンをMobileNetV2スタイルの逆残差ネットワークに置き換える、アクティベーション対応機構により、HPFステムをさらに洗練する。 K=31フィルタ(16 Gabor + 15 SRM)によるバランスの取れた構成は、より重い設定を低い計算で満たす。 最後に、我々はPRELUをステガナリシスの観点から動機付け、負の反応を保つことは、ReLUが抑制する弱いステゴの手がかりを捉えるのに役立つと主張している。 ALASKA2 JPEG QF90プロトコルの512x512解像度(トレーニング、検証、内部テストのための5000のカバーイメージ、別個の19,000のカバー評価セット)では、PENet+は最大45.5%のパラメータと、再評価されたPENetベースラインよりも約97%のFLOPを達成し、リソース制約されたステガナリシスの計算効率の良い方向を提供する。 デバイスレベルのレイテンシと電力測定は今後も継続される。

関連論文リスト

• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• DPNet: Dynamic Pooling Network for Tiny Object Detection [12.331699924062196]
  画像の縮小は、特に小さなオブジェクトにおいて、検出精度を改善するための一般的な戦略である。 本稿では,これらの問題を緩和する小型物体検出のための動的プールネットワーク(DPNet)を提案する。 TinyCOCOとTinyPersonのデータセットの実験では、DPNetはそれぞれ35%と25%のGFLOPを節約できる。
  論文  参考訳（メタデータ） (2025-05-05T17:13:35Z)
• Dynamic Pre-training: Towards Efficient and Scalable All-in-One Image Restoration [100.54419875604721]
  オールインワン画像復元は、各分解に対してタスク固有の非ジェネリックモデルを持たずに、統一されたモデルで異なるタイプの劣化に対処する。 我々は、オールインワン画像復元タスクのためのエンコーダデコーダ方式で設計されたネットワークの動的ファミリであるDyNetを提案する。 我々のDyNetは、よりバルク化と軽量化をシームレスに切り替えることができるので、効率的なモデルデプロイメントのための柔軟性を提供します。
  論文  参考訳（メタデータ） (2024-04-02T17:58:49Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Sharpness-aware Quantization for Deep Neural Networks [45.150346855368]
  シャープネス・アウェア量子化(SAQ)は,シャープネス・アウェア最小化(SAM)がモデル圧縮に与える影響を探索する新しい手法である。 本研究では,SAQにより量子化モデルの一般化性能が向上し,SOTAの結果が均一に量子化されることを示す。
  論文  参考訳（メタデータ） (2021-11-24T05:16:41Z)
• Dynamic Resolution Network [40.64164953983429]
  現代のCNNの入力解像度の冗長性については、完全には研究されていない。 本稿では,各サンプルに基づいて動的に分解能を決定できる新しい動的分解能ネットワーク(DRNet)を提案する。 DRNetは34%の精度で同様の性能を実現しているが、ImageNetのResNet-50に比べて10%の精度で1.4%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-06-05T13:48:33Z)
• Tensor Reordering for CNN Compression [7.228285747845778]
  畳み込みニューラルネットワーク(CNN)フィルタにおけるパラメータ冗長性は,スペクトル領域におけるプルーニングによって効果的に低減できることを示す。 提案手法は事前学習したCNNに対して適用され,最小限の微調整により元のモデル性能を回復できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T23:45:34Z)
• Pre-defined Sparsity for Low-Complexity Convolutional Neural Networks [9.409651543514615]
  この研究は、フィルタ内で定期的に繰り返されるサポートセットを持つ、事前に定義されたスパース2Dカーネルを持つ畳み込みレイヤを導入している。 周期的なスパースカーネルの効率的な保存のため、パラメータの節約はエネルギー効率を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-01-29T07:10:56Z)
• Filter Sketch for Network Pruning [184.41079868885265]
  事前学習したネットワーク重み(フィルタ)の情報保存による新しいネットワークプルーニング手法を提案する。 われわれのアプローチは、FilterSketchと呼ばれ、事前訓練された重みの2次情報を符号化する。 CIFAR-10の実験では、FilterSketchはFLOPの63.3%を削減し、ネットワークパラメータの59.9%を無視できる精度で削減している。
  論文  参考訳（メタデータ） (2020-01-23T13:57:08Z)

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。