Méthodes de réduction de la sensibilité à la base d'apprentissage en stéganalyse
Résumé
Cover-Source Mismatch (CSM) has long been identified as one of the most important issues for hidden information detection. Recent works have shown that the CSM finds its roots mainly in the image acquisition and processing pipeline. This short paper builds on those recent research results by comparing two approaches for mitigating the CSM using the knowledge of the image processing pipeline. In particular, we have developed an efficient methodology for identifying the differeent processing pipelines used to generate a dataset. Based on this identification method we experimentally show that it is possible to set the steganalysis problem almost free from CSM using either a targeted approach, tailored to each and every processing pipeline, or diversifying widely the training dataset.
Le Cover-Source Mismatch (CSM, ou inadéquation de la source d'images de couverture) a été depuis bien longtemps identifié comme l'un des problèmes les plus importants pour la détection d'information cachée. Des travaux récents ont montré que les causes du CSM sont principalement dues à la chaîne de traitement et relativement peu de la chaîne d'acquisition. Ce court papier propose de tirer parti de ces résultats en comparant expérimentalement deux approches pour lutter contre le CSM en utilisant la connaissance de la chaîne de traitement. Nous développons en particulier une méthodologie efficace pour identifier les différentes chaînes de traitements composant une base d'image. À partir de cette méthode d'identification, nous montrons expérimentalement qu'il est possible de retrouver un cadre où le CSM est quasi-absent soit en effectuant une stéganalyse ciblée sur chaque chaîne de traitement, soit en diversifiant suffisamment la base d'apprentissage.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...