文献

J-GLOBAL ID：202002232957520300   整理番号：20A1488467

クラスタリングに基づく畳込み深層ステガナリシスの効率的アンサンブル【JST・京大機械翻訳】

An Efficient Ensemble of Convolutional Deep Steganalysis Based on Clustering

著者 (3件)： Abazar Tayebe (Shiraz University,Computer Sci. & Eng. & Inf. Tech. Dept.,Shiraz,Iran) ,  Masjedi Peyman (Shiraz University,Computer Sci. & Eng. & Inf. Tech. Dept.,Shiraz,Iran) ,  Taheri Mohammad (Shiraz University,Computer Sci. & Eng. & Inf. Tech. Dept.,Shiraz,Iran)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICWR  ページ： 260-264  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： ステガノグラフィは,いくつかのメディアの通常画像における隠蔽情報のタスクである。ステガナリシスは,そのようなインスタンスとクリーンなものを識別するプロセスである。近年,ステガナリシスは特徴抽出と分類のための深層学習を利用する傾向があった。畳込みニューラルネットワーク(CNN)はステガナリシス性能を改善したが,膨大な量の訓練データによる計算量とメモリスペースのコストで改善した。本論文では,分割と統治戦略によって学習コストを低減する新しいフレームワークを提案した。第一段階では,データをk-平均を用いて互いに素なクラスタに分割した。次に,各クラスタを,データ空間の特定の領域でカスタマイズするために,別々のCNNに供給した。最終相では,ネットワークを高速交互重み付けプロセスに併合する。提案した重みづけは,ある程度,モデル当りの訓練データの大きさを減らすのを補償することができる。実験結果は,提案したスケーラブルなフレームワークが,メモリと時間の複雑性を保存精度と共に低減することを示した。Copyright 2020 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： 記憶装置 ,  *畳込み ,  学習 ,  ネットワーク ,  特徴抽出 ,  *クラスタ化 ,  計算量 ,  *クラスタ ,  深層 ,  オクルージョン
準シソーラス用語： 訓練データ ,  互いに素 ,  ステガノグラフィー ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： クラスタリング ,  畳込み ,  深層 ,  ステガナリシス ,  アンサンブル