Diversas arquiteturas CNN com propósito específico para esteganálise foram desenvolvidas e atingiram o estado-da-arte superando os modelos anteriores que se baseavam nas etapas de extração de características e classificação. Novos conjuntos de dados de imagens foram propostos diferenciando-se dos anteriores pela quantidade de instâncias e a variação de características importantes como fator de qualidade e a carga útil (payload) de mensagem escondida em imagens. Além disso, novas arquiteturas de propósito geral têm se mostrado aplicáveis no âmbito da esteganálise e se beneficiam de transfer learning para acelerar o treinamento. Este trabalho aborda o treinamento da Steganalysis Residual Network (SRNET) com inicialização aleatória dos pesos e realiza a comparação de desempenho entre as arquiteturas de CNN Efficientnet e Efficientnetv2, com este último sendo 32% mais rápido que a EfficientnetB4, para cada época de treinamento. Por fim, também é apresentado um experimento envolvendo treinamentos sucessivos entre a imagem de cobertura e suas respectivas estego-imagens.