[논문 리뷰] CIS-Net: A Novel CNN Model for Spatial Image Steganalysis via Cover Image Suppression

Songtao Wu, Sheng-hua Zhong외 2명|arXiv (Cornell University)|2019. 12. 13.

Advanced Steganography and Watermarking Techniques참고 문헌 51인용 수 4

한 줄 요약

이 논문은 공간 이미지 스테가노그래피 분석을 위한 새로운 CNN 모델인 CIS-Net을 제안한다. 이 모델은 두 가지 새로운 레이어인 단일값 절삭 레이어(Single-value Truncation Layer, STL)와 부분선형 풀링 레이어(Sub-linear Pooling Layer, SPL)를 통해 커버 이미지의 내용을 억제함으로써 탐지 성능을 향상시킨다. STL은 임계값을 초과하는 값을 동일한 임계값으로 절삭하여 특징맵의 분산을 줄이며, SPL은 고크기의 커버 성분을 적응적으로 억제하고 약한 스테고 신호를 집계한다. 이는 WOW, S-UNIWARD, HILL과 같은 도전적인 스테고그래피 알고리즘에서 최고 성능을 달성한다.

ABSTRACT

Image steganalysis is a special binary classification problem that aims to classify natural cover images and suspected stego images which are the results of embedding very weak secret message signals into covers. How to effectively suppress cover image content and thus make the classification of cover images and stego images easier is the key of this task. Recent researches show that Convolutional Neural Networks (CNN) are very effective to detect steganography by learning discriminative features between cover images and their stegos. Several deep CNN models have been proposed via incorporating domain knowledge of image steganography/steganalysis into the design of the network and achieve state of the art performance on standard database. Following such direction, we propose a novel model called Cover Image Suppression Network (CIS-Net), which improves the performance of spatial image steganalysis by suppressing cover image content as much as possible in model learning. Two novel layers, the Single-value Truncation Layer (STL) and Sub-linear Pooling Layer (SPL), are proposed in this work. Specifically, STL truncates input values into a same threshold when they are out of a predefined interval. Theoretically, we have proved that STL can reduce the variance of input feature map without deteriorating useful information. For SPL, it utilizes sub-linear power function to suppress large valued elements introduced by cover image contents and aggregates weak embedded signals via average pooling. Extensive experiments demonstrate the proposed network equipped with STL and SPL achieves better performance than rich model classifiers and existing CNN models on challenging steganographic algorithms.

연구 동기 및 목표

• 스테고그래피 신호가 매우 약하고 복잡한 커버 콘텐츠에 의해 가려질 때 스테고 이미지와 커버 이미지를 구분하는 데 도전하는 것.
• CNN 학습 중에 관련 없는 커버 이미지 특징을 명시적으로 억제하여 스테가노그래피 분석 성능을 향상시키는 것.
• 미세한 메시지 임bedding을 유지하면서 자연 이미지 콘텐츠에서 유발되는 노이즈를 줄이는 전용 딥러닝 레이어를 설계하는 것.
• 채널 선택 정보가 필요 없이도 신경망이 메시지 임베딩 위치를 암묵적으로 학습할 수 있도록 하는 것.

제안 방법

• 정의된 간격 외부의 입력 특징맵 값을 동일한 임계값으로 절삭하여 분산을 줄이고, 동시에 분류 정보를 손실하지 않는 단일값 절삭 레이어(STL)를 도입한다.
• 커버 이미지 콘텐츠에서 큰 값을 억제하기 위해 부분선형 거듭제곱 함수를 적용하고, 평균 풀링을 사용해 약한 스테고 신호를 집계하는 부분선형 풀링 레이어(SPL)를 제안한다.
• 커버 이미지와 스테고 이미지를 동시에 네트워크에 입력하여 특징의 구분 능력을 향상시키는 쌍체 학습 전략을 활용한다.
• 클래스 활성화 맵(CAM)을 활용해 네트워크가 메시지 임베딩 영역에 집중하는지 시각화하고 검증하며, 특히 WOW와 같은 알고리즘에서 효과를 입증한다.
• 이론적 분석을 통해 STL이 표준 절삭보다 분산을 줄임으로써 모델의 안정성과 일반화 능력을 향상시킨다는 것을 증명한다.
• STL 및 SPL을 심층 CNN 아키텍처에 통합하여 스테가노그래피 특징의 엔드 투 엔드 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 새로운 레이어 설계를 통해 커버 이미지 콘텐츠를 명시적으로 억제함으로써 CNN 모델이 더 나은 스테가노그래피 성능을 달성할 수 있는가?
• RQ2 단일값 절삭 레이어(STL)는 유용한 스테고그래피 신호를 유지하면서 특징맵의 분산을 어떻게 줄이는가?
• RQ3 부분선형 풀링 레이어(SPL)는 고크기 커버 성분을 억제하고 약한 메시지 신호를 집계함으로써 탐지 성능을 어느 정도 향상시키는가?
• RQ4 CAM 주의 맵을 통해 채널 선택 정보 없이도 네트워크가 메시지 임베딩 위치를 암묵적으로 학습할 수 있는가?
• RQ5 제안된 CIS-Net은 WOW, S-UNIWARD 및 HILL과 같은 적응형 스테고그래피 알고리즘 탐지에서 기존 CNN 모델과 비교해 어떻게 성능을 냈는가?

주요 결과

• CIS-Net은 표준 스테가노그래피 벤치마크에서 최고 성능을 기록하며, 도전적인 스테고그래피 알고리즘에서 빈번한 모델 분류기 및 기존 CNN 모델을 능가한다.
• 부분선형 풀링 레이어(SPL)는 커버 이미지 콘텐츠에서 유래한 큰 값을 효과적으로 억제하고, 평균 풀링을 통해 약한 스테고 신호를 집계함으로써 탐지 성능을 향상시킨다.
• 단일값 절삭 레이어(STL)는 기존 절삭 방식보다 특징맵의 분산을 더 효과적으로 줄여 모델의 일반화 능력과 학습 안정성을 향상시킨다.
• 클래스 활성화 맵(CAM)은 CIS-Net이 메시지 임베딩 영역에 집중함을 보여주며, 특히 WOW 및 S-UNIWARD의 경우 주의가 고활성 영역에 국한되어 있음을 확인한다.
• HILL은 확산 전략을 사용하므로 CAM 맵에서는 임베딩되지 않은 영역에서도 지속적인 노이즈가 관찰되며, 이는 높은 탐지 오차율을 설명하고 모델이 임베딩 전략에 민감함을 확인한다.
• 이론적 분석을 통해 STL이 절단된 데이터 분포의 분산을 줄임을 확인하였으며, 이는 설계의 견고한 수학적 기반을 제공한다.