通过人工智能增强隐形图像检测:微调深度残余网络,用于扩展频谱图像隐形图像
Oleksandr Kuznetsov1, Emanuele Frontoni2, Kyrylo Chernov3
1Department of Theoretical and Applied Sciences, eCampus University, Via Isimbardi 10, 22060 Novedrate, Italy.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究微调了一个AI模型 (SRNet) 来检测扩散光谱图像隐形图像 (SSIS),提高了该新技术的准确性. 这项研究强调了在图像分析中需要平衡的AI模型适应.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 图像偷拍对数字安全构成重大威胁.
- 现有的石分析模型可能会与新石学技术作斗争.
- 卷积神经网络 (CNN) 在检测图像中的隐藏数据方面表现有前途.
研究的目的:
- 评估SRNet模型在检测各种图像隐形图像技术方面的有效性.
- 提高SRNet在扩散频谱图像隐形图像 (SSIS) 上的性能.
- 为了研究人工智能模型适应steganalysis的权衡.
主要方法:
- 评估了SRNet与WOW,HILL,S-UNIWARD和SSIS进行对比.
- 使用SSIS特定数据集对SRNet模型进行了微调.
- 在所有经过测试的石学方法中,微调后的评估性能变化.
主要成果:
- 在SSIS检测方面,SRNet的初始性能较低.
- 微调显著提高了SSIS检测准确度.
- 经过微调后,观察到其他隐形摄影技术的性能略有下降.
结论:
- 像SRNet这样的基于AI的阶段分析模型是可适应和有效的.
- 在模型调整过程中需要谨慎的平衡,以保持广泛的有效性.
- 未来的研究应该探索多任务学习和其他ML技术,以提高steganalysis的稳定性.
