ترجمه شماره 13 - همگرایی انحراف معیار برای استگانوگرافی تصادفی تصویر

Standard Deviation Converges for Random Image 
Steganography

همگرایی انحراف معیار برای استگانوگرافی تصادفی تصویر

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 15 صفحه

دانلود اصل مقاله – رایگان

قیمت : 20000 تومان

چکیده

ظهور اینترنت باعث افزایش مسائل ایمنی شبکه شد. پنهان کردن اطلاعات تبدیل به روشی برای استفاده در مورد اطلاعات محرمانه شد. با افزایش سرعت ظرفیت های محاسباتی همزمان در سخت افزار کامپیوتر، این روش برای اطمینان از امنیت اطلاعات مناسب نیست و در نتیجه تکنیک های مخفی کردن و سپس بیرون کشیدن اطلاعات مطرح شده است. steganography و نشانه گذاری دو تکنیک مخفی کردن اطلاعات هستند. در حالیکه steganography برای جاسازی اطلاعات حساس در فایل ها بکار می شود، نشانه گذاری برای حفاظت کپی رایت به کار می رود. ترکیبی از رمزنگاری و steganography سیستم های رمزی بسیار قوی ای را نتیجه می دهد. طول بیت برای جاسازی از طریق برخی شرایط معین تعیین        می شود و بااستفاده از کم اهمیت ترین بیت انجام می گیرد. نتایج ازمایشگاهی در زمینه ی BPP، ظرفیت جاسازی، و خروجی های stego نیز در این مقاله توجیهاتی ارائه می شود. این مقاله نسبت های تعیین کننده ی steganography را نیز پیش بینی می کند.

لغات کلیدی:

مخفی کردن دیتا، مخفی کردن اطلاعات، steganography تصادفی تصویر RIS، LSB اصلاح شده

ترجمه شماره 12 - استگانو گرافی تصادفی تصویر در دامنه ی فضایی

Random Image Steganography in Spatial Domain

استگانو گرافی تصادفی تصویر در دامنه ی فضایی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : ۱۰ صفحه

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰ تومان

چکیده

Steganography یک روش مخفی کردن اطلاعات در برخی واسطه ها می باشد. این مقاله به بررسی تکنیک های مختلف steganpgraphy بر اساس یک دامنه ی فضایی و با درنظر گرفتن مقادیر پیکسل در فرمت باینری تصویر می پردازد. دامنه ی فضایی بر اساس موقعیت فیزیکی پیکسل ها در تصویر است. به طور کلی تصاویر رنگی یا خاکستری هشت بیتی را می توان به عنوان یک پوشش برای مخفی کردن داده استفاده کرد. نمایش های ترکیب باینری دوباره ی این پیکسل ها برای مخفی کردن اطلاعات مناسب است. بیت های تصادفی از این بایت ها برای جایگزین کردن بیت های مخفی به کار می رود. همراه با این تکنیک ها، برخی روش های دیگر نیز ، بر اساس انتخاب پیکسل های تصادفی ازیک تصویر و داده های مخفی در بیت های تصادفی از این بیت های انتخاب شده ی تصادفی ارائه می شود. برای این منظور، بسیاری از پارامترهای یک تصویر در نظر گرفته می شود مانند موقعیت فیزیکی پیکسل ها، ارزش فزونی پیکسل و غیره.

لغات کلیدی:

steganography، LSB، ردیابی محل تصویر، اسکن تصادفی، مدیریت لی اوت (نقشه)

واقعیت‌هایی جالب و شگفت در مورد گوگل

اکنون از آن زمان که واژه «گوگل» تنها به معنای یک موتور جستجوی ساده بود بسیار گذشته است. اکنون شرکت گوگل که خود به عنوان یک شرکت زیر مجموعه هلدینگ «آلفابت» فعالیت میکند، برندی است که کسب و کارهای متفاوت از خودروهای خودران گرفته تا هوش مصنوعی را هدایت میکند. اما با همه این ها جستجو، هنوز هم ستون خیمه گوگل است.

برترین دانشگاه‎های جهان بر حسب رشته معرفی شدند

موسسه کیو.اس فهرست بهترین دانشگاه‎های جهان در سال ۲۰۱۶ را بر حسب ۴۲ رشته و موضوع منتشر کرد.

به گزارش خبرنگار مهر، این رتبه بندی در ۴۲ رشته و بر اساس نظرسنجی از استادان، دانشجویان، کارمندان دانشگاه و مردم که با دانشگاه سروکار دارند صورت گرفته است.

در رتبه بندی امسال این موسسه در این گروه ۶ موضوع اضافه شده است و رتبه بندی های جدید در موضوعات انسان شناسی، باستان شناسی، مهندسی معدن، پرستاری، هنرهای نمایشی و سیاست های اجتماعی را نیز شاهد هستیم...

گزارش پردازش تصویر – ردیابی بازیکنان فوتبال در تصویر ویدیویی - رایگان

این پایان نامه در زمینه video object tracking به همراه مقاله IEEE مستخرج از آن که در ژورنال معتبر ELSEVIER چاپ شده است. این پایان نامه به ردیابی و بازشناسی خودکار بازیکنان فوتبال و صحنه های گل در تصاویر ویدیویی یک بازی فوتبال با استفاده از تکنیک های مبتنی بر هیستوگرام تصاویر رنگی اختصاص دارد و در فصل های زیر سامان یافته است:
فصل اول- مقدمه
فصل دوم- پیشینه مطالعاتی
فصل سوم- شناسایی و تعیین تیم بازیکنان
فصل چهارم- ردیابی بازیکنان
فصل پنجم- ایجاد نمای دور
فصل ششم- نتایج آزمایش ها
فصل هفتم- نتیجه گیری و پیشنهادات

دانلود مقاله انگلیسی

دانلود گزارش

با تشکر از آقای عباس مهرپرور

ترجمه شماره 11 - خوشه‌بندی سلسله‌مراتبی آنلاین

On-line hierarchical clustering

خوشه‌بندی سلسله‌مراتبی آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 10 صفحه

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰ تومان

 

چکیده

اکثر تکنیک‌های استفاده شده در ادبیات برای خوشه‌بندی سلسله‌مراتبی بر اساس عملیات آفلاین هستند. ایده‌ی اصلی این مقاله، پیشنهاد یک الگوریتم جدید برای خوشه‌بندی سلسله‌مراتبی آنلاین با یافتن k نزدیک‌ترین شی به هر شی معرفی شده تاکنون است و این k نزدیکترین شی به طور مداوم با رسیدن یک شی جدید بروزرسانی می‌شوند. در آخرین شی، ما اشیا و k نزدیکترین شی را داریم که مرتب شده‌اند تا دندوگرام سلسله‌مراتبی را تولید کنند. با استفاده از نتایج برنامه‌ی الگوریتم جدید بر روی داده‌های حقیقی و ترکیبی و استفاده از آزمایشات شبیه‌سازی، نشان می‌دهیم که تکنیک جدید کاملاً کاراست و از بسیاری جنبه‌ها، بهتر از روش‌های سلسله‌مراتبی آفلاین قدیمی است.

ترجمه شماره 10 - یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

An Improved Algorithm for Online Unit Clustering

یک الگوریتم بهبود یافته برای خوشه‌بندی واحد آنلاین

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

ما مسئله‌ی خوشه‌بندی واحد آنلاین که اخیراً در WAOA’06 معرفی کردیم را در یک بعد بررسی می‌کنیم: با داشتن یک دنباله از n نقطه روی خط، هدف، بخش‌بندی نقاط به حداقل تعداد زیرمجموعه‌هایی است که هر یک در یک بازه‌ی واحد قرار بگیرند. ما یک الگوریتم تصادفی‌شده‌ی آنلاین ارائه می‌کنیم که به نرخ رقابتی مورد انتظار 11/6 در مقابل حریفان فراموشکار دست می‌یابد و نرخ قبلی 15/8 را بهبود می‌بخشد. این کار، به سرعت منجر به حدود بالای بهبود یافته برای مسئله در دو بعد یا بیشتر می‌شود.

ترجمه شماره 9 – استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

Hierarchical spatiotemporal feature extraction using recurrent online clustering

استخراج سلسله‌مراتبی ویژگی فضایی و زمانی با استفاده از خوشه‌بندی آنلاین بازگشت کننده

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 22 صفحه

دانلود اصل مقاله – رایگان

قیمت : 25000 تومان

مقدمه

یادگیری عمیق ماشین، یک چارچوب جامع برای استخراج ویژگی‌های معنادار از مشاهدات پیچیده به شیوه‌ای بدون نظارت فراهم می‌آورد. اکثریت معماری‌های عمیق یادگیری توصیف شده در ادبیات، اصولاً روی استخراج ویژگی‌های فضایی تمرکز دارند. با این حال، در دنیای واقعی، دریافت وابستگی‌های زمانی در مشاهدات برای ارجاع دقیق، حیاتی است. این مقاله، یک بهبود برای DeSTIN معرفی می‌کند که یک معماری عمیق یادگیری ترکیبی است که هر لایه‌ی آن شامل چندین نمونه از یک گره‌ی عادی است که برای نمایش الگوهای فضایی و زمانی در داده‌ها بر اساس یک الگوریتم خوشه‌بندی بازگشت کننده‌ی جدید یاد می‌گیرد. بر خلاف معماری‌های عمیق اصلی مثل شبکه‌هایی با اعتقاد قوی که آموزش لایه به لایه فرض می‌شود، هر گره در معماری پیشنهادی به طور مستقل و به موازات آموزش می‌بینند. به علاوه، جریان اطلاعات بالا به پایین و پایین به بالا، به ساده‌سازی شکل‌گیری ویژگی‌های غنی کمک می‌کند. یک تنظیم نیمه نظارت با دستیابی به نتایج جدید روی بنچ مارک طبقه‌بندی MNIST نشان داده می‌شود. یک پیاده‌سازی GPU بعداً با تأکید بر ویژگی‌های مقیاس‌پذیری چارچوب پیشنهادی بحث می‌شود.

نگاهی به چیستی کمیته اخلاقی هوش مصنوعی گوگل بعد از خریداری استارتاپ DeepMind

کمیته اخلاقی هوش مصنوعی گوگل در سال 2014 و درست زمانی ایجاد شد که این شرکت اقدام به خرید استارتاپ لندنی DeepMind (فعال در این حوزه) کرد و هنوز هم که هنوز است مشخص نشده اعضای این کمیته چه کسانی هستند.

گوگل این هیئت را به درخواست شرکت DeepMind و بعد از آن ایجاد نمود که بنیانگذاران این استارتاپ 400 میلیون پوندی اعلام کردند تنها در صورتی قرارداد فروش را امضا خواهند کرد که گوگل به اصول اخلاقی مربوط به این فناوری پایبند باشد.

سمینار شماره 2 – سمینار کارشناسی ارشد رشته مهندسی کامپیوتر – موضوع : فشرده سازی تصویر

سمینار کارشناسی ارشد مهندسی کامپیوتر

موضوع : فشرده سازی تصویر

فرمت فایل ها : WORD , PDF , POWERPOINT

تعداد صفحات فایل گزارش  : 74 صفحه

تعداد اسلایدهای فایل ارائه پاورپوینت : 36 اسلاید

سمینار مربوطه تمام قواعد نگارشی از جمله نیم فاصله ها ، فهرست مطالب ، فهرست اشکال ، فهرست جداول ، تورفتگی خط اول ، فاصله ها بین لبه های صفحه و … رعایت شده است.

قیمت : 48000 تومان

 

چکیده

در سال های اخیر، توسعه و تقاضا برای محصولات چند رسانه ­ای به سرعت رشد افزاینده­ای پیدا کرده است. این تقاضا برای کمک به محدودیت در پهنای باند شبکه و فضای ذخیره­ سازی می­باشد. بنابراین، نظریه فشرده­ سازی داده­ها برای کاهش افزونگی داده­ ها و کمک به صرفه ­جویی در فضای سخت­ افزاری و پهنای باند انتقال، بیشتر و بیشتر مورد توجه قرار گرفته است.]7[

در علوم کامپیوتر و تئوری اطلاعات، فشرده ­سازی داده­ها و یا کد کردن منابع، فرایند رمزگذاری اطلاعات با استفاده از بیت کمتر امکان­ پذیر می­باشد. اطلاعات دیجیتال را می توان، از هر نوعی که باشد، فشرده­ سازی[1] نمود. نحوه عملیات پردازش فشرده­ سازی، بسته به پهنای باند مورد نیاز برای انتقال داده ­ها، با حذف اطلاعات اضافی، امکان انتقال داده های بیشتری را در یک زمان واحد می دهد.

برای ذخیره‌سازی تصاویر باید حجم اطلاعات را تا جایی که ممکن است، کاهش داد و اساسا" تمام روش‌های فشرده‌سازی، کنار گذاردن بخش‌هایی از اطلاعات و داده‌ها است؛ و این ضریب یا نسبت فشرده‌سازی است که میزان و درصد کنار گذاشتن اطلاعات را مشخص می­کند.

از آنجایی که تصاویر دیجیتال نیازمند تعداد زیادی بیت برای نمایش هستند و در نمایش متعارف خود معمولا شامل مقدار قابل ملاحظه ­ای افزونگی می­باشند، تکنیک­ های فشرده سازی تصویر باعث کاهش تعداد بیت­های مورد­نیاز برای نمایش یک تصویر می­شود و این کار را به کمک افزونگی­ های آنها انجام می­دهد.]3[

فشرده‌سازی تصویر از این اصل مهم تبعیت می‌کند، که چشم انسان حد فاصل دو عنصر تصویری نزدیک به هم را یکسان دیده و تمایز آنها را نمی‌تواند تشخیص دهد. در مورد تصاویر متحرک، اطلاعات از یک فریمبه فریم دیگر فقط زمانی تغییر می­کند که اطلاعات پیکسل آن تغییر کرده باشد؛ یعنی اطلاعات زمینه ثابت و اطلاعات جسم متحرک به صورت مجزا ذخیره یا ارسال می­شود به این ترتیب اطلاعات زیادی که ثابت هستند فقط در یک فریم ثبت می­شوند و در فریم­های بعدی از آن استفاده می­شود .

امروزه روش‌هایی متعدد و پیشرفته برای فشرده‌سازی وجود دارد. فشرده­سازی را می توان به دو گروه عمده تقسیم نمود. با اتلاف[2] و بدون اتلاف[3]. در فشرده سازی بدون اتلاف ، تصویر ذخیره شده بدون از دست دادن کمترین داده­ای، خود تصویر است، اما در فشرده­سازی با اتلاف، تصویر ذخیره شده خود تصویر اصلی نیست، بلکه شبیه آن است، که اطلاعاتی را از دست داده است.

[1] Compression

[2] Lossy

[3] Lossless

ادامه مطلب را مشاهده نمایید...