Resumen

Recientemente, los modelos basados en el aprendizaje profundo se estn utilizando ampliamente para el esteganalisis. Sin embargo, los modelos de aprendizaje profundo sufren problemas de sobreajuste y ajuste de hiperparmetros. Por lo tanto, en este trabajo, se propone un eficiente modelo de red neuronal convolucional densamente conectada (DCNN) basado en el algoritmo gentico de ordenacin no dominante (NSGA-III) para el esteganalisis de imgenes. NSGA-III se utiliza para ajustar los parmetros iniciales del modelo DCNN. Puede controlar la precisin y la medida f del modelo DCNN utilizndolas como funcin de adecuacin multiobjetivo. Se realizan experimentos exhaustivos con el conjunto de datos STEGRT1. Tambin se compara el modelo propuesto con el modelo de esteganlisis de la competencia. Los anlisis de rendimiento revelan que el modelo propuesto supera a los modelos de esteganlisis existentes en trminos de varias mtricas de rendimiento.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Aprendizaje profundo; Esteganálisis; NSGA-III; Modelo DCNN; Ajuste de hiperparámetros; Sobreajuste
• Keywords:Deep learning; Steganalysis; NSGA-III; DCNN model; Hyperparameter tuning; Overfitting