공간 도메인 스테가분석에서 다양한 풀링 계층에 대한 합성곱 신경망의 민감도

현대 시대에 수많은 연구가 스테가분석에서 전통 기계 학습 방법보다 합성곱 신경망(CNN)의 우수한 성능을 일관되게 입증하고 있습니다. 스테가그래피를 통해 숨겨진 데이터를 탐지하는 기법인 스테가분석을 위해 딥 러닝(DL), 특히 CNN은 대규모 데이터셋을 효율적으로 처리할 수 있는 강력한 도구입니다. CNN이 다양한 연구 분야에서 널리 사용되고 있음에도 불구하고 이전의 스테가분석 연구는 주로 이미지 분류(커버 또는 스테고)를 개선하는 데 집중했으며, 실험 설정에 대한 철저한 탐구는 종종 소홀히 여겨졌습니다. 본 연구는 최첨단 모델에서 다양한 풀링 계층의 영향을 조사하여 CNN 기반 스테가분석 모델의 민감도를 평가하는 것을 목표로 합니다. 실험에는 최근에 제안된 다섯 개 모델이 포함됩니다. 특히 풀링 계층의 선택은 단순한 분류 개선을 넘어 과적합 문제를 해결하는 데에도 중요합니다. 실험 결과는 선택한 풀링 계층, 즉 최대 풀링, 평균 풀링 및 혼합 풀링에 따라 상당한 다양성을 보여주며, 특정 풀링 접근 방식을 선택할 때 최적화 목표의 중요성을 강조합니다. 이는 이 연구 분야의 진화하는 성격과 효과적인 스테가분석을 위한 풀링 계층 선택에 대한 신중한 고려의 필요성을 강조합니다.