Resumen

Las redes neuronales convolucionales como esteganálisis tienen problemas como la poca versatilidad, el largo tiempo de entrenamiento y el tamaño limitado de la imagen. Para estos problemas, presentamos un marco de aprendizaje residual de kernel heterogéneo llamado DRHNet (Red Neuronal Heterogénea Residual Dual) para ahorrar tiempo en las redes durante la fase de entrenamiento. En lugar de utilizar la imagen como entrada de la red, extraemos y fusionamos las imágenes en una matriz de características utilizando un modelo rico y utilizamos la matriz de características generada como la entrada real de la red. La arquitectura que propusimos tiene buena versatilidad y puede reducir el cálculo y el número de parámetros manteniendo una precisión más alta. En BOSSbase 1.01, evaluamos el rendimiento de DRHNet en el entorno del dominio espacial y del dominio de frecuencia. Los resultados experimentales preliminares muestran que DRHNet presenta un excelente rendimiento de esteganálisis frente a los algoritmos esteganográficos más avanzados.

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Redes neuronales convolucionales; Esteganálisis; Tiempo de entrenamiento; Tamaño de la imagen; Núcleo heterogéneo; Marco de aprendizaje residual
• Keywords:Convolutional neural networks; Steganalysis; Training time; Image size; Heterogeneous kernel; Residual learning framework