+Enfin, les méthodes d'apprentissage ont largement progressé cette dernière décennie,
+particulièrement grâce aux implantations efficaces de deep-learning. Dans un travail en collaboration
+avec Pr R. Couturier, Pr. C. Guyeux et Dr. M. Salomon, nous avons voulu étudier la
+faisabilité d'utiliser du deep-learning comme outil de stéganalyse.
+Ceci a donné lieu à l'encadrement d'un stage de M2, D Fache, et
+un rapport technique~\cite{CCGS16:ir}. Lorsque la clef d'embarquement est
+la même pour toutes les images, nous avons exhibé une architecture de réseau
+deep learning qui améliore de manière significative tous les résultats connus en
+stéganalyse. La figure~\ref{fig:deep} montre que la détection est valide à 95\%
+(respectivement à 80\%) lorsque le taux d'embarquement est de 0,4 bit par pixel (resp. 0.1)
+tandis que les meilleurs résultats connus sont de l'ordre de 85\% (resp. 70\%).
+Cependant, ceci ne s'applique pas aux cas où les clefs sont distinctes.
+
+
+\begin{figure}[h]
+\centering
+\subfigure[][WOW, $\alpha=0.4$~bpp]{%
+\label{fig:accuracy_WOW_0.4}%
+%\label{fig:ex3-a}%
+\includegraphics[scale=0.39]{Training_wow_04.pdf}
+}%
+\hspace{4pt}%
+\subfigure[][WOW, $\alpha=0.1$~bpp]{%
+\label{fig:accuracy_WOW_0.1}%
+\includegraphics[scale=0.39]{Training_wow_01.pdf}
+}
+\caption{Stéganalyse de WOW avec différents ratios d'embarquement}\label{fig:deep}
+\end{figure}
+
+
+
+
+
