ВИЯВЛЕННЯ СТЕГАНОГРАФІЇ НА ЗОБРАЖЕННІ З ВИКОРИСТАННЯМ МОДЕЛЕЙ RESNET ТА SRNET

DOI: 10.31673/2412-4338.2026.019009

Анотація

У даній роботі проведено комплексний аналіз ефективності сучасних архітектур глибоких згорткових нейронних мереж — SRNet та ResNetV2 (ResNet50М2, ResNet101V2, ResNet152V2) — у задачах просторового стегоаналізу цифрових зображень. Основну увагу приділено дослідженню ролі блоку попередньої високочастотної фільтрації (блок HPF-фільтрів) та впливу кількості фільтрів та архітектури блоку фільтрації на точність детектування слабких стеганографічних сигналів, внесених методом LSB.

Для формування навчальних і тестових вибірок використано датасети CIFAR-10 та LabelMe, на основі яких створено штучні набори cover/stego-зображень із застосуванням LSB-стеганографії з підтримкою UTF-8 кодування та контрольованого корисного  навантаження.

Встановлено, що канонічна архітектура SRNet потребує інтеграції додаткового HPF-блоку для стабільної збіжності при невеликій кількості епох навчання, демонструючи при цьому високу чутливість до аномалій, але значне споживання оперативної пам'яті, що обмежує розмір навчального датасету в хмарних середовищах. На противагу цьому, моделі на базі ResNetV2 виявилися більш масштабованими та практичними для систем моніторингу в реальному часі, хоча їх ефективність критично залежить від конфігурації багатомасштабного блоку фільтрів (3×3, 5×5, 7×7).

Запропоновано підхід до побудови паралельного багатоканального HPF-модуля з орієнтаційною селективністю, який забезпечує оптимальний баланс між точністю виявлення та обчислювальними витратами. 

Дозвіл на навчання високочастотних фільтрів забезпечує додатковий приріст точності, що підтверджує доцільність гібридного підходу, який поєднує апріорні знання цифрової обробки сигналів із глибоким навчанням. Отримані результати можуть бути використані при проєктуванні практичних систем моніторингу цифрового контенту та дозволяють сформулювати рекомендації щодо вибору AI-моделей залежно від прикладного сценарію: від прецизійних дослідницьких інструментів до промислових систем захисту інформації.

Ключові слова: стегоаналіз, глибоке навчання, згорткові нейронні мережі, ResNetV2, SRNet, високочастотна фільтрація, LSB-стеганографія.

Список використаної літератури:

1. Fridrich J. Steganography in Digital Media: Principles, Algorithms, and Applications. Cambridge University Press, 2009. 437 p.
2. Xu G., Wu H.Z., Shi Y.Q. Structural design of convolutional neural networks for steganalysis. IEEE Signal Processing Letters, 2016, vol. 23, no. 5, pp. 708-712. DOI: 10.1109/LSP.2016.2548421
3. Fridrich J., Kodovsky J. Rich models for steganalysis of digital images. IEEE Transactions on Information Forensics and Security, 2012, vol. 7, no. 3, pp. 868-882. DOI: 10.1109/TIFS.2012.2190402
4. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778. DOI: 10.1109/CVPR.2016.90
5. Xu G. Deep convolutional neural network to detect J-UNIWARD. In: Proceedings of the 5th ACM Workshop on Information Hiding and Multimedia Security, 2017, pp. 67-73. DOI: 10.1145/3082031.3083236
6. Ye J., Ni J., Yi Y. Deep learning hierarchical representations for image steganalysis. IEEE Transactions on Information Forensics and Security, 2017, vol. 12, no. 11, pp. 2545-2557. DOI: 10.1109/TIFS.2017.2710946
7. Zhang R., Zhu F., Liu J., Liu G. Depth-wise separable convolutions and multi-level pooling for an efficient spatial CNN-based steganalysis. IEEE Transactions on Information Forensics and Security, 2020, vol. 15, pp. 1138-1150. DOI: 10.1109/TIFS.2019.2936913
8. Boroumand M., Chen M., Fridrich J. Deep residual network for steganalysis of digital images. IEEE Transactions on Information Forensics and Security, 2019, vol. 14, no. 5, pp. 1181-1193. DOI: 10.1109/TIFS.2018.2871749
9. Tabares-Soto R., Arteaga-Arteaga H.B., Buritica O.M.A., et al. Deep learning for steganalysis: evaluating model robustness against image transformations. Frontiers in Artificial Intelligence, 2025, vol. 8, article 1532895. DOI: 10.3389/frai.2025.1532895
10. Veit A., Wilber M.J., Belongie S. Residual networks behave like ensembles of relatively shallow networks. In: Advances in Neural Information Processing Systems (NeurIPS), 2016, vol. 29, pp. 550-558.
11. Ntivuguruzwa J.-P., Kurundayev M., Ullah M., et al. A convolutional neural network to detect possible hidden data in spatial domain images. Cybersecurity, 2023, vol. 6, article 32. DOI: 10.1186/s42400-023-00156-x
12. Ozcan S., Mustacoglu A.F. Transfer learning effects on image steganalysis with pre-trained deep residual neural network model. In: IEEE International Conference on Big Data, 2018, pp. 2280-2287. DOI: 10.1109/BigData.2018.8622437
13. Yedroudj M., Comby F., Chaumont M. Yedroudj-Net: An efficient CNN for spatial steganalysis. In: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018, pp. 2092-2096. DOI: 10.1109/ICASSP.2018.8461438
14. Dwaik A., Nandi A.K., Naous T., Alani S., Alsarhan A. Enhancing the performance of convolutional neural network image-based steganalysis in spatial domain using Spatial Rich Model and 2D Gabor filters. Journal of Information Security and Applications, 2024, vol. 85, article 103862. DOI: 10.1016/j.jisa.2024.103862
15. Wang Z., Gao N., Wang X., Qu X., Li L., Zhang X. Deep learning for steganalysis of diverse data types: A review of methods, taxonomy, challenges and future directions. arXiv preprint arXiv:2308.04522, 2024.
16. Tabares-Soto R., Arteaga-Arteaga H.B., Orozco-Arias S., et al. Strategy to improve the accuracy of convolutional neural network architectures applied to digital image steganalysis in the spatial domain. PeerJ Computer Science, 2021, vol. 7, e451. DOI: 10.7717/peerj-cs.451
17. Liu F., Zhou X., Yan X., Peng J., Hu Y., Chen Q. Preprocessing enhancement method for spatial domain steganalysis. Mathematics, 2022, vol. 10, no. 21, article 3936. DOI: 10.3390/math10213936
18. Wang X., Liao D., Dai Y., Li H. A steganalysis framework based on CNN using the filter subset selection method. Multimedia Tools and Applications, 2020, vol. 79, pp. 21307-21326. DOI: 10.1007/s11042-020-08831-8
19. Jin Z., Yang Y., Chen Y., Chen Y. IAS-CNN: Image adaptive steganalysis via convolutional neural network combined with selection channel. Journal of Sensors, 2020, article 1550147720911002. DOI: 10.1177/1550147720911002
20. Chaumont, Marc. (2020). Deep learning in steganography and steganalysis. 10.1016/B978-0-12-819438-6.00022-0. In book: Digital Media Steganography (pp.321-349)
21. Krizhevsky, A. (2009). Learning Multiple Layers of Features from Tiny Images. https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf.
22. Stefanek G., Gulbransen L., Spink G., Morawski J., Filla D., Rabello De Castro R. A comparison of ai models to detect hidden messages in images. (2024). Issues In Information Systems. 119-132.  DOI: 10.48009/3_iis_2024_110
23. The LabelMe-12-50k dataset. URL: https://www.ais.uni-bonn.de/download/datasets.html
24. Meike Helena Kombrink, Zeno Jean Marius Hubert Geradts, and Marcel Worring. 2024. Image Steganography Approaches and Their Detection Strategies: A Survey. ACM Comput. Surv. 57, 2, Article 33 (February 2025), 40 pages. DOI: 10.1145/3694965
25. S. Wu, S. -h. Zhong and Y. Liu, "A Novel Convolutional Neural Network for Image Steganalysis With Shared Normalization," in IEEE Transactions on Multimedia, vol. 22, no. 1, pp. 256-270, Jan. 2020, DOI: 10.1109/TMM.2019.2920605.
26. Dwaik, A., & Belkhouche, Y. (2024). Enhancing the performance of convolutional neural network image-based steganalysis in spatial domain using Spatial Rich Model and 2D Gabor filters. Journal of Information Security and Applications, 85, 103864. DOI: 10.1016/j.jisa.2024.103864