[논문 리뷰] DeepImageSpam: Deep Learning based Image Spam Detection

Amara Dinesh Kumar, R. Vinayakumar외 1명|arXiv (Cornell University)|2018. 10. 03.

Digital Media Forensic Detection참고 문헌 4인용 수 26

한 줄 요약

이 논문은 수작업 특징 공학 없이 원시 이미지에서 특징을 자동으로 학습하는 컬러리셔널 신경망(CNNs)을 사용한 딥러닝 접근법을 제안한다. 810장의 정상 이미지와 928장의 스팸 이미지로 구성된 데이터셋으로 훈련된 모델은 91.7%의 정확도를 달성하여 전통적인 이미지 처리 및 머신러닝 방법을 능가한다.

ABSTRACT

Hackers and spammers are employing innovative and novel techniques to deceive novice and even knowledgeable internet users. Image spam is one of such technique where the spammer varies and changes some portion of the image such that it is indistinguishable from the original image fooling the users. This paper proposes a deep learning based approach for image spam detection using the convolutional neural networks which uses a dataset with 810 natural images and 928 spam images for classification achieving an accuracy of 91.7% outperforming the existing image processing and machine learning techniques

연구 동기 및 목표

• 텍스트를 이미지 내에 임bedding하여 기존의 텍스트 기반 스팸 필터를 회피하는 이미지 스팸의 증가하는 위협을 해결하기 위해.
• 텍스트 가로지기 기법으로 인해 실패하는 기존의 이미지 처리 기법(예: OCR 및 색상 히스토GRAM)의 한계를 극복하기 위해.
• 딥러닝을 활용해 엔드 투 엔드 특징 학습을 통해 수작업 특징 추출에 대한 의존도를 줄이기 위해.
• 기존의 머신러닝 모델(예: SVM 및 로지스틱 회귀)을 초월해 스팸 탐지 정확도를 향상시키기 위해.
• 실제 세계 데이터셋을 사용하여 CNN이 높은 정밀도와 재현율을 가지고 이미지 스팸을 분류하는 데 효과적인지 입증하기 위해.

제안 방법

• RGB 이미지에서 계층적인 공간적 특징을 추출하기 위해 다수의 컨볼루션 및 맥스 풀링 레이어를 포함한 맞춤형 CNN 아키텍처를 설계하였다.
• 입력 이미지는 일관된 입력 치수를 확보하기 위해 56×56 픽셀로 크기 조정되고 정규화된 후 네트워크에 입력된다.
• 비선형성을 도입하고 학습 능력을 향상시키기 위해 각 컨볼루션 레이어 이후에 ReLU 활성화 함수를 적용하였다.
• 과적합을 방지하고 일반화 능력을 향상시키기 위해 풀링 및 완전 연결 레이어 이후에 드롭아웃 레이어를 사용하였으며, 드롭아웃 비율은 0.25로 설정하였다.
• 이진 분류(스팸 또는 아님)를 위해 최종 레이어에 시그모이드 활성화 함수를 사용하였으며, 이진 교차 엔트로피 손실과 Adam 옵timizer를 적용하였다.
• 모델은 Keras, scikit-learn, TensorFlow를 사용하여 분산 컴퓨팅 클러스터에서 1,000 에포크 동안 배치 크기 32로 훈련되었다.

실험 결과

연구 질문

• RQ1 OCR 및 색상 히스토GRAM과 같은 전통적인 이미지 처리 기법보다 딥러닝 모델인 CNN이 가로지기된 이미지 스팸 탐지에서 성능을 뛰어넘을 수 있는가?
• RQ2 엔드 투 엔드 딥러닝이 이미지 스팸 탐지에서 수작업 특징 공학의 필요성을 얼마나 줄일 수 있는가?
• RQ3 SVM과 같은 고전적 머신러닝 모델과 비교해 CNN 기반 접근법의 정확도, 정밀도 및 재현율 측면에서 성능은 어떠한가?
• RQ4 글꼴, 색상 및 배경 변경으로 인해 텍스트가 가로지기된 경우에도 CNN이 효과적으로 이미지 스팸을 분류할 수 있는가?
• RQ5 드롭아웃 및 배치 정규화와 같은 아키텍처 구성 요소가 이미지 스팸 탐지에서 모델 일반화에 미치는 영향은 어떠한가?

주요 결과

• 제안된 CNN 기반 모델은 테스트 정확도 91.7%를 달성하여 기존의 이미지 처리 및 머신러닝 기법을 뚜렷이 능가하였다.
• 모델은 테스트 세트에서 완벽한 정밀도 1.000을 보였으며, 이는 예측된 스팸 이미지 중에서 오류 없는 진짜 스팸 이미지만 포함되었음을 의미한다.
• 재현율은 85.7%였으며, 이는 실제 스팸 이미지의 85.7%를 성공적으로 식별했음을 보여주며, 일부 경우를 놓친 점을 제외하고는 강력한 탐지 능력을 지녔음을 시사한다.
• F1-스코어 0.923은 정밀도와 재현율의 균형 잡힌 조화 평균을 반영하며, 전반적인 성능이 견고함을 확인한다.
• 모델은 수작업 특징 추출 없이도 원시 이미지에서 구별 가능한 특징을 효과적으로 학습하여 인간의 노력과 실수를 줄였다.
• 드롭아웃(0.25)과 배치 정규화의 사용은 훈련 중 일반화 능력 향상과 과적합 감소에 기여하였다.