디지털 이미지의 스테가널리시스를 위한 채널 가위 작업을 지원하는 깊은 잔차 네트워크: CALPA-NET

본 논문에서는 딥러닝 기반 스테가나리저의 성능을 향상시키면서 계산 비용과 저장 공간 부담을 줄이는 방법론에 대해 제안합니다. CALPA-NET은 이와 같은 목표를 달성하기 위한 ChAnneL-Pruning-Assisted 깊은 잔여 네트워크 아키텍처 탐색 접근 방식입니다. 기존의 딥러닝 기반 스테가나리저는 주로 네트워크 구조를 확장하여 성능을 향상시키지만, 이는 큰 계산 비용과 저장 공간 부담을 초래하며 학습과 배포에 어려움을 야기합니다. 이를 해결하기 위해 CALPA-NET은 신경망 중에서 중요하지 않은 채널들을 제거하여 네트워크를 축소하는 방법론을 제안합니다. 두 가지 네트워크 정제 기법을 결합한 하이브리드 기준을 사용하여 데이터에 따라 자동적으로 합성곱 계층의 크기를 줄입니다. 이로 인해 결과적인 네트워크 구조는 가느다란 병목형 구조를 나타냅니다. 본 논문에서는 BOSSBase+BOWS2, ALASKA 및 ImageNet CLS-LOC 데이터셋에서 광범위한 실험을 수행했습니다. 실험 결과, CALPA-NET이 생성하는 모델 구조는 원래 스테가나리저 모델보다 약 2% 미만의 매개변수와 약 1/3 FLOPs로 동등한 성능을 달성할 수 있음을 보여주었습니다. 새로운 모델은 더 나은 적응성, 전이 가능성 및 확장성을 갖추고 있습니다. [[IMG_PROTECT_0]]