Resumen

Recientemente, los modelos basados en aprendizaje profundo están siendo ampliamente utilizados para esteganálisis. Sin embargo, los modelos de aprendizaje profundo sufren de sobreajuste y problemas de ajuste de hiperparámetros. Por lo tanto, en este artículo se propone un modelo eficiente de red neuronal convolucional densamente conectada (DCNN) basado en el algoritmo genético de clasificación no dominada (NSGA-III) para esteganálisis de imágenes. NSGA-III se utiliza para ajustar los parámetros iniciales del modelo DCNN. Puede controlar la precisión y la medida F del modelo DCNN utilizando estos como función de aptitud multiobjetivo. Se realizan experimentos exhaustivos en el conjunto de datos STEGRT1. También se realiza una comparación del modelo propuesto con el modelo competitivo de esteganálisis. Los análisis de rendimiento revelan que el modelo propuesto supera a los modelos de esteganálisis existentes en cuanto a diversas métricas de rendimiento.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Aprendizaje profundo; Esteganálisis; NSGA-III; Modelo DCNN; Ajuste de hiperparámetros; Sobreajuste
• Keywords:Deep learning; Steganalysis; NSGA-III; DCNN model; Hyperparameter tuning; Overfitting