Основні поняття
심층 학습 기술은 이미지, 오디오, 비디오 및 텍스트와 같은 다양한 유형의 디지털 미디어에 숨겨진 정보를 효과적으로 탐지할 수 있다. 이 기술은 기존의 기계 학습 기반 스테가노그래피 탐지 기법에 비해 복잡한 패턴과 특징을 자동으로 추출할 수 있어 더 나은 성능을 제공한다.
Анотація
이 논문은 심층 학습 기반 스테가노그래피 탐지 기술에 대한 포괄적인 검토를 제공한다. 먼저 스테가노그래피와 스테가노그래피 탐지의 정의와 수학적 모델링을 소개한다. 이어서 스테가노그래피 탐지에 사용되는 다양한 평가 지표와 데이터셋을 설명한다.
다음으로 심층 신경망, 합성곱 신경망, 순환 신경망, Long Short-Term Memory 네트워크, 오토인코더, 제한 볼츠만 기계, 심층 신뢰 네트워크 및 그래프 신경망과 같은 심층 학습 기술의 개요를 제공한다. 이러한 기술이 이미지, 오디오, 비디오 및 텍스트 스테가노그래피 탐지에 어떻게 적용되는지 설명한다.
또한 심층 전이 학습 및 심층 강화 학습과 같은 고급 심층 학습 기술의 활용과 성능 향상 방안도 논의한다. 마지막으로 현재 심층 학습 기반 스테가노그래피 탐지 기술의 상태, 과제 및 미래 연구 방향을 제시한다.
Статистика
스테가노그래피 탐지 성능 지표로 사용되는 False Positive Rate(FPR), True Positive Rate(TPR), Mean Squared Error(MSE), Peak Signal-to-Noise Ratio(PSNR), Structural Similarity Index(SSIM), Precision, Recall, Detection Error Rate(DER) 등이 있다.
스테가노그래피 탐지 연구에 널리 사용되는 데이터셋에는 BOSS, BOWS2, IStego100K, ALASKA2, ImageNet, Cifar-10, COCO, TIMIT, IMDB Movie Review, News, Twitter 등이 있다.
Цитати
"스테가노그래피는 데이터를 은닉하는 기술이고, 스테가노그래피 탐지는 숨겨진 정보를 발견하거나 복구하는 기술이다."
"심층 학습 기술은 복잡한 패턴과 특징을 자동으로 추출할 수 있어 기존 기계 학습 기반 스테가노그래피 탐지 기법에 비해 더 나은 성능을 제공한다."