TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning

要約

ディープラーニングベースの画像ステガノグラフィーフレームワークの場合、情報の埋め込みの不可視性と回復可能性を確保するために、損失関数には通常、埋め込み損失、回復損失、ステガン分析損失などのいくつかの損失が含まれます。
以前の研究作業では、通常、トレーニングの最適化のために固定された損失の重みが選択されており、この設定は、ステガノグラフィタスク自体とトレーニングプロセスの重要性にリンクされていません。
この論文では、ディープラーニング画像ステガノグラフィーアルゴリズムの多項損失のバランスをとるために、2段階のカリキュラム学習損失スケジューラ（TSCL）を提案します。
TSCLは、アプリオリカリキュラム制御と損失ダイナミクス制御の2つのフェーズで構成されています。
第1フェーズでは、まず、マルチパーティの敵対的トレーニングの損失の重みを制御することにより、元の画像の情報埋め込みを学習することにモデルを焦点を当てます。
第二に、モデルは学習の焦点をデコードの精度を向上させるためにシフトさせます。
そして最後に、モデルは、ステガナリシスに耐性のあるステガノグラフィ画像を生成することを学習させます。
第2段階では、各トレーニングタスクの学習速度は、前後の反復ラウンドの損失ドロップを計算して、各タスクの学習のバランスをとることにより評価されます。
3つの大規模なパブリックデータセット、Alaska2、VOC2012、およびImagenetの実験結果は、提案されているTSCL戦略がステガノグラフィーの品質を向上させ、精度とセキュリティを解読することを示しています。

要約(オリジナル)

For deep learning-based image steganography frameworks, in order to ensure the invisibility and recoverability of the information embedding, the loss function usually contains several losses such as embedding loss, recovery loss and steganalysis loss. In previous research works, fixed loss weights are usually chosen for training optimization, and this setting is not linked to the importance of the steganography task itself and the training process. In this paper, we propose a Two-stage Curriculum Learning loss scheduler (TSCL) for balancing multinomial losses in deep learning image steganography algorithms. TSCL consists of two phases: a priori curriculum control and loss dynamics control. The first phase firstly focuses the model on learning the information embedding of the original image by controlling the loss weights in the multi-party adversarial training; secondly, it makes the model shift its learning focus to improving the decoding accuracy; and finally, it makes the model learn to generate a steganographic image that is resistant to steganalysis. In the second stage, the learning speed of each training task is evaluated by calculating the loss drop of the before and after iteration rounds to balance the learning of each task. Experimental results on three large public datasets, ALASKA2, VOC2012 and ImageNet, show that the proposed TSCL strategy improves the quality of steganography, decoding accuracy and security.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google