Título: Compressão de Modelos de Aprendizagem Profunda Aplicada à Esteganálise de Imagens Digitais
Autores: Gabriel Ferreira, Francisco Madeiro Bernardino Junior & Verusca Severo
Resumo: A esteganografia e a esteganálise têm papel fundamental no cenário da segurança da informação. Modelos de aprendizado profundo têm sido aplicados à detecção de esteganografia em imagens digitais. Esses modelos podem ser constituídos de milhares ou milhões de parâmetros, o que pode ser um desafio para sua implementação em dispositivos de recursos limitados, razão pela qual neste trabalho investigam-se técnicas de compressão de um modelo de aprendizado profundo aplicado à esteganálise de imagens digitais. Técnicas de poda, quantização e compartilhamento de pesos são utilizados para um modelo de aprendizado profundo para esteganálise de imagens digitais. Os modelos comprimidos foram avaliados em termos de acurácia e de espaço em memória ocupado. Diferentes estratégias de otimização foram aplicadas para detecção de esteganografia a partir de cada algoritmo considerado. Foi possível obter modelos com acurácias levemente inferiores, iguais ou levemente superioresàs apresentadas pelo modelo original e com espaços em memória ocupado reduzidos em at é 83%.
Palavras-chave: steganalysis; deep learning; compression; pruning; quantization; weight sharing.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1173917
Artigo em PDF: CBIC_2025_paper1173917.pdf
Arquivo BibTeX:
CBIC_2025_1173917.bib