Απόκρυψη δεδοµένων σε εικόνες µε χρήση δικτύων βαθιάς μάθησης

Σπανίδης, Κωνσταντίνος; Spanidis, Konstantinos

dc.contributor.author	Σπανίδης, Κωνσταντίνος	el
dc.contributor.author	Spanidis, Konstantinos	en
dc.date.accessioned	2020-12-23T19:58:06Z
dc.date.available	2020-12-23T19:58:06Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52673
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20371
dc.rights	Default License
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Γεννητικά ανταγωνιστικά δίκτυα	el
dc.subject	Στεγανογραφία	el
dc.subject	Εύρωστη τυφλή υδατογραφία	el
dc.subject	Deep learning	en
dc.subject	Convolutional neural networks	en
dc.subject	Generative adversarial networks	en
dc.subject	Steganography	en
dc.subject	Robust blind watermarking	en
dc.title	Απόκρυψη δεδοµένων σε εικόνες µε χρήση δικτύων βαθιάς μάθησης	el
dc.title	Hiding data in images with use of deep networks	en
heal.type	bachelorThesis
heal.classification	Επιστήμη δεδομένων και μηχανική μάθηση	el
heal.classification	Data science and machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-05-21
heal.abstract	Στην παρούσα εργασία µελετώνται συστήµατα στεγανογραφίας και υδατογράφησης σε εικόνες, τα οποία χρησιµοποιούν νευρωνικά δίκτυα ϐαθιάς µηχανικής µάθησης. Συγκεκριµένα µελετάται το µοντέλο HiDDeN, το οποίο αποτελεί το πρώτο end-to- end εκπαιδεύσιµο µοντέλο για εφαρµογές στεγανογραφίας και υδατογράφησης. Το µοντέλο αυτό κάνει χρήση συνελικτικών νευρωνικών δικτύων και εκαιδεύεται µε την µεθοδολογία των γενεσιακών ανταγωνιστικών δικτύων. Ο κωδικοποιητής του µοντέλου παράγει µια κωδικοποιηµένη, από οπτική άποψη, εικόνα που περιέχει ένα µήνυµα εισόδου, από την οποία ο αποκωδικοποιητής µπορεί να ανακτήσει το αρχικό µήνυµα. Η αποτελεσµατικότητα του µοντέλου εκτιµάται ως προς τη χωρητικότητα, τη µυστικότητα και την ευρωστία σε επιθέσεις µε διαφορετικούς τύπους ϑορύβου και στρεβλώσεων εικόνας.	el
heal.abstract	In this work we examine models for steganography and watermarking in digital images, which use deep neural networks. In particular, we examine the HiDDeN model, which is the ﬁrst end-to-end trainable framework for steganography and watermarking applications. This model makes use of Convolutional Neural Networks and its training procedure is based on Generative Adversarial Networks methodology. The encoder of the model produces a visually indistinguishable encoded image which contains an input message, from which the decoder can recover the original message. The model is evaluated on three axes; capacity, secrecy and robustness to attacks with diverse types of noise and image distortion.	en
heal.advisorName	Στάμου, Γιώργος	el
heal.advisorName	Stamou, George	en
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Stamou, George	en
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Kollias, Stefanos	en
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γιώργος	el
heal.committeeMemberName	Stafilopatis, Andreas George	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false