Published January 1, 2021 | Version v1
Publication Open

GBRAS-Net: A Convolutional Neural Network Architecture for Spatial Image Steganalysis

Creators

  • 1. Universidad Autonoma de Manizales
  • 2. University of Caldas
  • 3. Universidad de Antioquia

Description

Advances in Deep Learning (DL) have provided alternative approaches to various complex problems, including the domain of spatial image steganalysis using Convolutional Neural Networks (CNN). Several CNN architectures have been developed in recent years, which have improved the detection accuracy of steganographic images. This work presents a novel CNN architecture which involves a preprocessing stage using filter banks to enhance steganographic noise, a feature extraction stage using depthwise and separable convolutional layers, and skip connections. Performance was evaluated using the BOSSbase 1.01 and BOWS 2 datasets with different experimental setups, including adaptive steganographic algorithms, namely WOW, S-UNIWARD, MiPOD, HILL and HUGO. Our results outperformed works published in the last few years in every experimental setting. This work improves classification accuracies on all algorithms and bits per pixel (bpp), reaching 80.3% on WOW with 0.2 bpp and 89.8% on WOW with 0.4 bpp, 73.6% and 87.1% on S-UNIWARD (0.2 and 0.4 bpp respectively), 68.3% and 81.4% on MiPOD (0.2 and 0.4 bpp), 68.5% and 81.9% on HILL (0.2 and 0.4 bpp), 74.6% and 84.5% on HUGO (0.2 and 0.4 bpp), using BOSSbase 1.01 test data.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

قدمت التطورات في التعلم العميق (DL) مناهج بديلة لمختلف المشاكل المعقدة، بما في ذلك مجال إخفاء الصور المكانية باستخدام الشبكات العصبية الالتفافية (CNN). تم تطوير العديد من معماريات CNN في السنوات الأخيرة، مما أدى إلى تحسين دقة الكشف عن الصور المخفية. يقدم هذا العمل بنية CNN جديدة تتضمن مرحلة ما قبل المعالجة باستخدام بنوك الترشيح لتعزيز ضوضاء التخفي، وهي مرحلة استخراج الميزات باستخدام طبقات التفافية عميقة وقابلة للفصل، وتخطي الوصلات. تم تقييم الأداء باستخدام مجموعات بيانات BOSSbase 1.01 و BOWS 2 مع إعدادات تجريبية مختلفة، بما في ذلك خوارزميات إخفاء البيانات التكيفية، وهي WOW و S - UNIWARD و MiPOD و HILL و HUGO. تفوقت نتائجنا على الأعمال المنشورة في السنوات القليلة الماضية في كل بيئة تجريبية. يحسن هذا العمل دقة التصنيف على جميع الخوارزميات والبتات لكل بكسل (bpp)، ليصل إلى 80.3 ٪ على WOW مع 0.2 نقطة أساس و 89.8 ٪ على WOW مع 0.4 نقطة أساس و 73.6 ٪ و 87.1 ٪ على S - UNIWARD (0.2 و 0.4 نقطة أساس على التوالي) و 68.3 ٪ و 81.4 ٪ على MiPOD (0.2 و 0.4 نقطة أساس) و 68.5 ٪ و 81.9 ٪ على HILL (0.2 و 0.4 نقطة أساس) و 74.6 ٪ و 84.5 ٪ على HUGO (0.2 و 0.4 نقطة أساس)، باستخدام بيانات اختبار BOSSbase 1.01.

Translated Description (French)

Les progrès de l'apprentissage profond (DL) ont fourni des approches alternatives à divers problèmes complexes, y compris le domaine de la stéganalyse d'images spatiales à l'aide de réseaux neuronaux convolutionnels (CNN). Plusieurs architectures CNN ont été développées ces dernières années, qui ont amélioré la précision de détection des images stéganographiques. Ce travail présente une nouvelle architecture CNN qui implique une étape de prétraitement utilisant des bancs de filtres pour améliorer le bruit stéganographique, une étape d'extraction de caractéristiques utilisant des couches convolutives en profondeur et séparables, et des connexions de saut. Les performances ont été évaluées à l'aide des ensembles de données BOSSbase 1.01 et BOWS 2 avec différentes configurations expérimentales, y compris des algorithmes stéganographiques adaptatifs, à savoir WOW, S-UNIWARD, MiPOD, HILL et HUGO. Nos résultats ont surpassé les travaux publiés ces dernières années dans tous les contextes expérimentaux. Ce travail améliore la précision de la classification sur tous les algorithmes et bits par pixel (bpp), atteignant 80,3% sur WOW avec 0,2 bpp et 89,8% sur WOW avec 0,4 bpp, 73,6% et 87,1% sur S-UNIWARD (0,2 et 0,4 bpp respectivement), 68,3% et 81,4% sur MiPOD (0,2 et 0,4 bpp), 68,5% et 81,9% sur HILL (0,2 et 0,4 bpp), 74,6% et 84,5% sur HUGO (0,2 et 0,4 bpp), en utilisant les données de test BOSSbase 1.01.

Translated Description (Spanish)

Los avances en el aprendizaje profundo (DL) han proporcionado enfoques alternativos a varios problemas complejos, incluido el dominio de la esteganálisis de imágenes espaciales utilizando redes neuronales convolucionales (CNN). En los últimos años se han desarrollado varias arquitecturas de CNN, que han mejorado la precisión de detección de las imágenes esteganográficas. Este trabajo presenta una novedosa arquitectura CNN que implica una etapa de preprocesamiento utilizando bancos de filtros para mejorar el ruido esteganográfico, una etapa de extracción de características utilizando capas convolucionales separables y en profundidad, y conexiones de salto. El rendimiento se evaluó utilizando los conjuntos de datos BOSSbase 1.01 y BOWS 2 con diferentes configuraciones experimentales, incluidos los algoritmos esteganográficos adaptativos, a saber, WOW, S-UNIWARD, MiPOD, HILL y HUGO. Nuestros resultados superaron a los trabajos publicados en los últimos años en todos los entornos experimentales. Este trabajo mejora las precisiones de clasificación en todos los algoritmos y bits por píxel (bpp), alcanzando el 80,3% en WOW con 0,2 bpp y el 89,8% en WOW con 0,4 bpp, el 73,6% y el 87,1% en S-UNIWARD (0,2 y 0,4 bpp respectivamente), el 68,3% y el 81,4% en MiPOD (0,2 y 0,4 bpp), el 68,5% y el 81,9% en HILL (0,2 y 0,4 bpp), el 74,6% y el 84,5% en HUGO (0,2 y 0,4 bpp), utilizando datos de prueba BOSSbase 1.01.

Files

09328287.pdf.pdf

Files (245 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:414b5d0651f8dad398adc082b075668e
245 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
GBRAS - Net: بنية الشبكة العصبية التفافية لتحليل الصورة المكانية
Translated title (French)
GBRAS-Net : une architecture de réseau neuronal convolutionnel pour la stéganalyse d'images spatiales
Translated title (Spanish)
GBRAS-Net: una arquitectura de red neuronal convolucional para la esteganálisis de imágenes espaciales

Identifiers

Other
https://openalex.org/W3124809916
DOI
10.1109/access.2021.3052494

Is supplement to
https://openalex.org/W4309385482 (Other)
https://openalex.org/W4243922849 (Other)
https://openalex.org/W3154843532 (Other)
https://openalex.org/W2939392096 (Other)
https://openalex.org/W2792878404 (Other)
https://openalex.org/W2182496537 (Other)
https://openalex.org/W2148973528 (Other)
https://openalex.org/W2106726851 (Other)
https://openalex.org/W2068740952 (Other)
https://openalex.org/W1965039524 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Colombia

References

  • https://openalex.org/W1665214252
  • https://openalex.org/W1836465849
  • https://openalex.org/W1855479288
  • https://openalex.org/W1878907771
  • https://openalex.org/W1955882805
  • https://openalex.org/W1976570511
  • https://openalex.org/W2009130368
  • https://openalex.org/W2009272644
  • https://openalex.org/W2031466562
  • https://openalex.org/W2046180645
  • https://openalex.org/W2108598243
  • https://openalex.org/W2170598445
  • https://openalex.org/W2179352600
  • https://openalex.org/W2192227561
  • https://openalex.org/W2322622188
  • https://openalex.org/W2324404625
  • https://openalex.org/W2531409750
  • https://openalex.org/W2542290803
  • https://openalex.org/W2618530766
  • https://openalex.org/W2621048556
  • https://openalex.org/W2735904389
  • https://openalex.org/W2892948265
  • https://openalex.org/W2914923289
  • https://openalex.org/W2914974653
  • https://openalex.org/W2946033444
  • https://openalex.org/W2963285578
  • https://openalex.org/W2963957509
  • https://openalex.org/W2969585684
  • https://openalex.org/W3009434609
  • https://openalex.org/W3013821122
  • https://openalex.org/W3032400974
  • https://openalex.org/W3039521316