Résumé
Depuis l'émergence de l'apprentissage profond et son utilisation dans le domaine de la stéganalyse, la plupart des travaux ont continué à utiliser des CNNs de taille petite à moyenne, et à les faire apprendre sur des bases de données relativement petites. De même, les benchmarks et les comparaisons entre les diérents algorithmes de stéganalyse basés sur des CNNs, sont eectués sur des bases de données de petite à moyenne taille. Ceci ne permet pas de savoir, 1) si le classement entre algorithmes, avec un critère comme l' accuracy , reste le même si la base de données d'apprentissage est plus grande, 2) si l'ecacité des CNNs s'eondre quand la taille de la base d'apprentissage augmente d'un ordre de grandeur, 3) et enn, la taille minimale requise pour obtenir un résultat meilleur que celui obtenu par une prédiction aléatoire. Dans cet article, après une discussion sur le comportement observé des CNNs en fonction de leur taille et de la taille de la base de données, nous conrmons que la loi de puissance de l'erreur est également valable en stéganalyse, et ce dans le cas limite d'un réseau de taille moyenne, sur une base de données diverse, de grande taille, et dont le développement est contrôlé .