[论文解读] Real-world actor-based image steganalysis via classifier inconsistency detection

Daniel Lerch-Hostalot, David Megías|arXiv (Cornell University)|Jan 8, 2025

Advanced Steganography and Watermarking Techniques被引用 1

一句话总结

本文提出了一种基于演员的鲁棒隐写分析方法，通过利用分类器不一致性检测（DCI）结合EfficientNet进行特征提取，并采用梯度提升分类器进行最终决策，以检测真实世界图像隐写中的责任方。该方法在100%覆盖源不匹配（CSM）条件下仍保持超过80%的准确率，优于基线方法在该条件下退化为随机猜测的表现，并能有效识别并剔除受CSM影响的演员，从而防止误分类。

ABSTRACT

In this paper, we propose a robust method for detecting guilty actors in image steganography while effectively addressing the Cover Source Mismatch (CSM) problem, which arises when classifying images from one source using a classifier trained on images from another source. Designed for an actor-based scenario, our method combines the use of Detection of Classifier Inconsistencies (DCI) prediction with EfficientNet neural networks for feature extraction, and a Gradient Boosting Machine for the final classification. The proposed approach successfully determines whether an actor is innocent or guilty, or if they should be discarded due to excessive CSM. We show that the method remains reliable even in scenarios with high CSM, consistently achieving accuracy above 80% and outperforming the baseline method. This novel approach contributes to the field of steganalysis by offering a practical and efficient solution for handling CSM and detecting guilty actors in real-world applications.

研究动机与目标

• 为解决真实世界图像隐写分析中覆盖源不匹配（CSM）的挑战，即训练图像与测试图像来自不同来源。
• 开发一种实用的基于演员的隐写分析框架，将演员分类为无辜、有罪或因过度CSM而无法分类。
• 提高在实际部署中的可靠性，其中隐写图像可能源自不同相机、处理流水线或图像修改。
• 通过检测分类器不一致性而非依赖均匀的训练数据，减少因CSM导致的误分类。

提出的方法

• 使用分类器不一致性检测（DCI）来检测分类器在同一位演员的图像上预测不一致的情况，表明存在CSM。
• 采用EfficientNet神经网络从图像中提取深度特征，以捕捉与来源相关的统计特性。
• 应用梯度提升机（GBM）分类器，将DCI预测结果作为输入，将演员分类为无辜、有罪或因CSM而无法分类。
• 引入基于阈值的机制，标记因CSM过高而被剔除的演员，避免错误标注。
• 将每位演员视为共享相同来源分布的一组图像，从而在该组图像中检测不一致性。
• 结合DCI预测与隐写分析，同时检测隐写使用与来源不匹配，提升在真实场景中的鲁棒性。

实验结果

研究问题

• RQ1 分类器不一致性检测（DCI）能否有效用于检测和处理真实世界基于演员的隐写分析中的覆盖源不匹配（CSM）？
• RQ2 所提出的方法在基线模型失效的极端CSM条件下，如何保持高准确率？
• RQ3 在未知隐写系统和载荷的真实场景中，该方法在多大程度上能将演员分类为有罪、无辜或因CSM而无法分类？
• RQ4 CSM检测的阈值如何影响准确率与无法分类演员数量之间的权衡？
• RQ5 该方法能否在空间域和变换域隐写（如JPEG）中均保持一致的性能表现？

主要发现

• 在空间域100% CSM条件下，所提方法对有罪演员的分类准确率达到84%，而基线方法退化至50%（随机猜测）。
• 在变换域（JPEG）中，该方法在100% CSM条件下达到81%的准确率，而基线方法为56%。
• 在100% CSM条件下，空间域中84%的演员因CSM过高被剔除，变换域中为67%，有效防止了误分类。
• 该方法在所有CSM水平下均保持超过80%的准确率，证明其在高不匹配场景下的鲁棒性。
• 将CSM检测阈值从0.7降低至0.65，可使100% CSM条件下的无法分类演员比例从84%降至75%，但准确率下降至62%，凸显了精度与覆盖范围之间的权衡。
• 该方法能有效处理CSM和隐写源不匹配（SSM），因其对未知隐写系统和不同载荷均具有鲁棒性。