Using Set Covering to Generate Databases for Holistic Steganalysis

要約

運用フレームワークの中で、ステガノグラファーが使用するカバーは、研究者がステガナルシスモデルをトレーニングするために使用するものとは異なるセンサーと異なる処理パイプラインから来る可能性があります。従って、カバーソースミスマッチ（CSM）と呼ばれる非常に頻繁に起こるシナリオである、分布外のカバーに関しては、パフォーマンスギャップは避けられない。ここでは、CSMの起源を研究し、より良く理解し、より良く対処するために、処理パイプラインのグリッドを探索する。CSMは、集合カバー貪欲アルゴリズムにより、代表パイプラインと集合内のパイプラインの間の最大後悔を最小化する代表パイプラインを選択する。我々の主な貢献は、運用型CSMに取り組むための関連基地を生成する方法論である。実験的検証により、与えられた学習サンプル数に対して、我々の集合被覆選択は、ランダムなパイプラインの選択や利用可能な全てのパイプラインの使用よりも優れた戦略であることが強調された。また、ノイズ除去、シャープネス、ダウンサンプリングなどのパラメータが、多様性を促進するために非常に重要であることも、我々の分析から明らかになった。最後に、古典的データベースと野生データベースの異なるベンチマークにより、抽出されたデータベースの良好な汎化特性を示す。その他のリソースは github.com/RonyAbecidan/HolisticSteganalysisWithSetCovering で利用可能です。

要約(オリジナル)

Within an operational framework, covers used by a steganographer are likely to come from different sensors and different processing pipelines than the ones used by researchers for training their steganalysis models. Thus, a performance gap is unavoidable when it comes to out-of-distributions covers, an extremely frequent scenario called Cover Source Mismatch (CSM). Here, we explore a grid of processing pipelines to study the origins of CSM, to better understand it, and to better tackle it. A set-covering greedy algorithm is used to select representative pipelines minimizing the maximum regret between the representative and the pipelines within the set. Our main contribution is a methodology for generating relevant bases able to tackle operational CSM. Experimental validation highlights that, for a given number of training samples, our set covering selection is a better strategy than selecting random pipelines or using all the available pipelines. Our analysis also shows that parameters as denoising, sharpening, and downsampling are very important to foster diversity. Finally, different benchmarks for classical and wild databases show the good generalization property of the extracted databases. Additional resources are available at github.com/RonyAbecidan/HolisticSteganalysisWithSetCovering.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL