对于steganalysis的深度学习:对图像转换的模型稳定性进行评估
1Department of Engineering and Applied Sciences, Applied College, Umm Al-Qura University, Makkah, Saudi Arabia.
Frontiers in artificial intelligence
|April 10, 2025
概括
深度学习级分析模型显示性能下降与图像变化,如噪音和压缩. EfficientNet表现出最强大的稳定性,突出了数字安全应用中需要更具弹性模型的需求.
科学领域:
- 计算机科学 计算机科学
- 数字安全数字安全
- 机器学习 机器学习
背景情况:
- 隐形分析模型对于数字安全至关重要,但往往缺乏对现实世界图像修改的弹性.
- 对于实际应用来说,评估深度学习的稳定性,对抗大小调整,压缩,裁剪和噪声等转换,是至关重要的.
研究的目的:
- 针对常见的图像转换,研究五种深度学习级分析模型的稳定性.
- 在各种图像改变下评估模型性能退化.
主要方法:
- 测试了五种深度学习模型 (EfficientNet,SRNet,ResNet,Xu-Net,Yedroudj-Net) 的使用.
- 模型性能使用准确性,精度,回忆,F1得分和BOSSBase数据集上的AUC等指标进行了评估.
主要成果:
- 在经过测试的图像转换中,EfficientNet表现出了最高的稳定性.
- 最先进的模型,Xu-Net和Yedroudj-Net,显示出显著的性能下降,特别是当增加噪音时.
结论:
- 当前的深度学习阶段分析模型对常见的图像转换存在漏洞,需要开发更强大的架构.
- 结果指导从业人员选择适合运营环境的模型,并为未来的研究提供关于提高steganalysis模型弹性的信息.
