Detection of Classifier Inconsistencies in Image Steganalysis

Abstract

In this paper, a methodology to detect inconsistencies in classi cation-based image steganalysis is presented. e proposed approach uses two classi ers: the usual one, trained with a set formed by cover and stego images, and a second classi er trained with the set obtained a er embedding additional random messages into the original training set. When the decisions of these two classi ers are not consistent, we know that the prediction is not reliable. e number of inconsistencies in the predictions of a testing set may indicate that the classi er is not performing correctly in the testing scenario. is occurs, for example, in case of cover source mismatch, or when we are trying to detect a steganographic method that the classi er is no capable of modelling accurately. We also show how the number of inconsistencies can be used to predict the reliability of the classi er (classi cation errors).

A Preprocessing by Using Multiple Steganography for Intentional Image Downsampling on CNN-Based Steganalysis

“…There exists work whose idea is similar to that of our work. In that work [12], its goal is to detect inconsistencies occurred during classification in image steganalysis by additionally embedding steganography. In other words, that work is a method that deal with the problem known as Cover Source Mismatch (CSM).…”

Using of convolutional neural networks for steganalysis of digital images

“…Их существенными недостатками являются: требовательность аналитических моделей, на которых основываются методы стегоанализа, к ряду параметров анализируемых контейнеров, что влияет на чувствительность моделей, и необходимость реализации полученных решений численными методами, что приводит к снижению оперативности и результативности процесса стегоанализа. В последнее время ряд исследований в области стегоанализа, в частности, цифровых изображений посвящен применению методов машинного обучения, основанных на применении искусственных нейронных сетей [1,3,4]. С использованием этих методов решается задача бинарной классификации цифровых изображений -разделения их множества на подмножества, содержащие и не содержащие стеговложения.…”