文献

J-GLOBAL ID：201902268734666540   整理番号：19A0512700

生成的敵対ネットワークを用いた自動ステガノグラフィック歪学習【JST・京大機械翻訳】

Automatic Steganographic Distortion Learning Using a Generative Adversarial Network

著者 (4件)： Tang Weixuan (School of Information Science and Technology, Sun Yat-sen University, Guangzhou, China) ,  Tan Shunquan (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China) ,  Li Bin (College of Information Engineering, Shenzhen University, Shenzhen, China) ,  Huang Jiwu (College of Information Engineering, Shenzhen University, Shenzhen, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 24  号： 10  ページ： 1547-1551  発行年： 2017年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 生成的な敵のネットワークは,互いに競合する2つのサブネットワークの統一されたフレームワークを持つ,それらの実際の対応物から識別できない人工サンプルを効果的に生成することを示した。本論文では,最初に,ステガノグラフィック生成サブネットワークおよびステガナショナル判別サブネットワークから構成される,生成的なadversネットワークを用いた自動ステガノグラフィック歪学習フレームワークを提案した。これらの2つの反対のサブネットワークを交互に訓練することにより,提案フレームワークは,与えられた空間カバー画像におけるすべてのピクセルに対する埋め込み変化確率を自動的に学習できる。学習された埋め込み変化確率は,埋込み歪に変換することができて,それは最小歪埋込みの既存のフレームワークにおいて採用することができた。このフレームワークの下で,歪関数は,反対の進化するステガアナライザに対する検出不能性に直接関連する。実験結果により,提案したフレームワークは,テクスチャ領域に秘密ビットを埋め込むことを試みる,最初に,ほとんどナイーブなランダム±1埋め込みから,より高度なコンテンツ適応埋込みへと効果的に進化することができることを示した。また,セキュリティ性能は,訓練反復の増加により着実に改善される。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  コンテンツ ,  画素 ,  画像 ,  *学習 ,  分析機器 ,  セキュリティ
準シソーラス用語： 質感 ,  サブネットワーク , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  通信網  (ND07030A) ,  数値計算  (JE02000J)

タイトルに関連する用語 (3件)： 敵対 ,  歪 ,  学習