Jan, 2018

如何增强小的学习集以提高基于 CNN 的隐写分析器的性能？

PDF
TL;DR本研究用各种实验协议和数据库研究了基础增强对使用卷积神经网络的隐写分析性能的影响，旨在确定隐写分析性能的增强模型的最佳实践方法。
deep learningconvolutional neural networkssteganalysisdatabase enrichmentbase augmentation
发现论文，激发创造
  • 基于 CNN 的隐写术 -- 将机器学习与已有的隐写技术融合

    本文介绍了一种增强隐写术的方法，即通过引入一种名为 SA-CNN 的隐写助手卷积神经网络。实验证明，采用 SA-CNN 生产的隐写图像具有更好的抗隐写分析能力，并且能够适应各种盖媒体的不同特征。

    Apr, 2023

  • 卷积神经网络隐写分析在隐写术中的应用

    本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。

    Nov, 2017

  • 隐写分析的持续学习

    本文提出了一种基于精确的参数重要度估计（APIE）的连续学习方案，用于检测新兴隐写算法，并应用于实际场景中，通过对之前的训练流程中网络参数的重要性进行评估，在训练新的隐写图像数据集的过程中有效并高效地更新其网络参数，从而使得隐写分析模型能够学习新隐写算法的特征模式，而不会明显降低之前隐写算法的检测性能。实验证明，该方案对新兴隐写算法具有良好的扩展性。

    Sep, 2022

  • 深度学习是一种优秀的隐写分析工具，当不同图像重复使用嵌入密钥时即使存在封面源不匹配的情况下也适用

    本研究探讨了卷积神经网络和全连接神经网络在语音隐写分析中的应用，结果表明相较于传统的 Rich Models（RM）集成分类器（EC）方法，如果 CNN 和 FNN 被很好的参数化，其结果更胜一筹，演示了在 clairvoyant 场景下，CNN 和 FNN 相较于 RM 与 EC 的分类错误率降低 16％以上，并且在封面 - 源不匹配情况下表现自然而强大。

    Nov, 2015

  • 卷积神经网络训练中的数据增强：对图像注入噪声

    本研究分析了不同噪声模型及其强度对卷积神经网络的影响，通过结构相似度（SSIM）度量给出相同大小的噪声模型来进行比较，提出了一些新的启发式策略和建议，可以优化图像分类的最优学习过程。

    Jul, 2023

  • 使用深度学习进行图像分类中数据增强的有效性

    本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

    Dec, 2017

  • 利用通用数据增强改进深度学习

    该研究基于对简单的 CNN 使用几何和光度扩增方案的试验性结果，通过 4 折交叉验证考察了不同的数据扩增方案，并证明 crop 扩增在几何扩增方案中可以显著提高 CNN 任务性能。

    Aug, 2017

  • 基于 CNN 的 DeepFake 视频检测中的训练策略和数据增强

    本文主要研究内容为探索 CNN-based detectors 在进行基于不同训练策略和数据增强技术的测试集和训练集的情况下，针对深度伪造视频中面部伪造的检测系统的不同影响。

    Nov, 2020

  • 深度学习模型的隐写容量

    研究了机器学习和深度学习模型被用于隐写攻击情景，训练了多层感知器、卷积神经网络和 Transformer 模型进行恶意软件分类，发现模型的隐写容量惊人高，并存在阈值后性能急剧下降。

    Jun, 2023

  • STaDA: 基于样式迁移的数据增强方法

    本研究评估了采用神经风格转换作为数据增强方法对图像分类任务的有效性，并在 Caltech 101 和 Caltech 256 数据集上获得了大约 2％的准确度提高。同时，还将神经风格转换方法与传统数据增强方法相结合，进一步提高了图像分类的性能。这项工作展示了神经风格转换在计算机视觉领域的潜力，例如帮助我们减轻收集足够标记数据的难度并提高通用基于图像的深度学习算法的性能。

    Sep, 2019