ترجمه شماره 22 - روش‌های استخراج ویژگی برای تشابه تصاویر رنگی

FEATURE EXTRACTION METHODS FOR COLOR IMAGE SIMILARITY

روش‌های استخراج ویژگی برای تشابه تصاویر رنگی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 11 صفحه

دانلود اصل مقاله رایگان

قیمت : 1۵۰۰۰ تومان

چکیده مقاله

ما در این مقاله، روی سیستم بازیابی تصویر در روزهای اولی که بسیاری از سیستم‌های تعامل کاربر با مفاهیم پایه کار می‌کردند تمرکز کردیم اما چنین سیستم‌هایی به خصوصیات کاربر نمی‌رسند و توسط کاربر جذب نشده‌اند، پس بسیاری از تحقیقات در سال‌های اخیر با خصوصیات جدید انجام شده است. روش‌های اخیر کاربرانی دارند که به روش‌های تعاملی ساده علاقه‌مند هستند و بسیاری از آنها روی بهبود این روش‌ها تمرکز کرده‌اند. در این سیستم پیشنهادی، ما روی بازیابی تصاویر در یک مجموعه‌ی بزرگ از تصاویر بر اساس انتخاب رنگ تمرکز می‌کنیم و روش‌های مختلف ریاضی معرفی و بری بازیابی تصاویر اعمال می‌شود. قبل از اعمال روش‌های پیشنهادی، تصاویر با استفاده از مقادیر آستانه، به زیر گروه‌هایی تقسیم می‌شوند، در این مقاله از ترکیبات RGB برای بازیابی تصاویر استفاده می‌شود و در روش‌های پیشنهادی پیاده‌سازی می‌شود و نتایج مقایسه با روش‌های قبلی ارائه می‌شوند.

ترجمه شماره 21 - شبکه های عصبی کانولوشنی برای آشکارسازی p300 با عملیات ارتباطی مغز- کامپیوتر

C o n v o l u t i o n a l  N e u r a l  N e t w o r k s  f o r  P 3 0 0  D e t e c t i o n  w i t h  A p p l i c a t i o n  t o  B r a i n

 C o m p u t e r  I n t e r f a c e s

شبکه های عصبی کانولوشنی برای آشکارسازی p300 با عملیات ارتباطی مغز- کامپیوتر

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 32 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2011

دانلود اصل مقاله – رایگان

قیمت : ۱۲۰۰۰ تومان

چکیده

ارتباط کامپیوتر – مغز (BCI) یک نوع از ارتباطات انسان – کامپیوتر است که ارتباط مستقیم بین انسان و کامپیوتر را توسط آنالیز اندازهگیری های مغز ممکن می سازد. نمونه های توپ فرد در BCI برای تولید پتانسیل های مرتبط با حادثه (ERP)،مانند موج p300 ،بر روی هدف انتخاب شده توسط کاربر استفاده شد.یک درست کننده p300 بر اصولی  استوار است که آشکارسازی موج های p300 به کاربر اجازه می دهد که کاراکتر ها را بنویسد.درست کننده p300 از دو مساله کلاس بندی تشکیل شده است.اولین کلاس بندی ، اشکار سازی وجود p300 در نوار مغزی (EEG) است. دومین معادل است با ترکیبات پاسخ های مختلف p300 برای تعیین کاراکتر درست است.یک روش جدید برای آشکارسازی موج های p300 ارائه شده است.این مدل بر یک شبکه عصبی کانولوشن CNN استوار است.توپولوژی این شبکه برای آشکارسازی موج های p300در حوزه زمان انتخاب شده است.7 دسته بندی کننده بر اساس CNN ارائه شده است:4 سیگنال دسته بندی کننده با دسته های ویژگی مختلف و 3 مولتی طبقه بندی گر.این مدل ها آزمایش شدند و مقایسه شدند برای دسته داده II از سومین رقابت BCI.اولین نتیجه با یک راه حل مولتی طبقه بندی گر با نرخ بازسازی 95.5% و بدون انتخاب کانال قبا از طبقه بندی بدست آمد.دستاورد ارائه شده یک روش جدید را برای آنالیز فعالیت های مغز مهیا می کند به علت شاخه های پذیرا از مدل های CNN.

کلمات کلیدی :

شبکه عصبی – پیچیدگی – یادگیری مبتنی بر گرادیان- فیلتر های فضایی - رابط مغز و کامپیوتر(BCI) – موج نگار مغز (EEG)- P300

ترجمه شماره 20 - خلاصه‌سازی تجردی گفتار: کاوش روش‌های نظارتی و بدون نظارت برای فشرده‌سازی نطق بیان شده

Towards Abstractive Speech Summarization Exploring Unsupervised

and Supervised Approaches for Spoken Utterance Compression

خلاصه‌سازی تجردی گفتار: کاوش روش‌های نظارتی و بدون نظارت

برای فشرده‌سازی نطق بیان شده

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 35 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2013

دانلود اصل مقاله – رایگان

قیمت : 12000 تومان

چکیده

 اکثر مطالعات قبلی در زمینه‌ی خلاصه‌سازی گفتار، روی روش‌های تجردی تمرکز کرده‌اند. الحاق نطق‌های گفتاری استخراجی هنوز، شکل خوبی از خلاصه را به دلیل وجود عدم روانی‌ها و افزونگی‌ها در گفتار محاوره‌ای بدون برنامه ایجاد نمی‌کند. در این مقاله، ما تولید خلاصه‌های گفتاری فشرده را با جفت کردن فشرده‌سازی سطح جمله‌ای و روش‌های خلاصه‌سازی به عنوان یک گام مناسب در تولید خلاصه‌های تجردی پیشنهاد می‌کنیم. ما دو روش فشرده‌سازی نطق را مقایسه کردیم: یک روش بدون نظارت مبتنی بر چارچوب برنامه‌نویسی خطی صحیح[1] (ILP) و یک روش نظارتی با استفاده از فیلدهای تصادفی شرطی[2] (CRF) که مسئله‌ی فشرده‌سازی نطق را به صورت یک عمل برچسب‌زنی دنباله‌ای تنظیم می‌کند. ما کارایی فشرده‌سازی را با استفاده از آوانویسی‌های انسانی و ASR از جلسات ICSI ارزیابی کرده و هر دو ارزیابی انسانی و اتوماتیک را انجام دادیم. نتایج ما نشان می‌دهد که می‌توانیم به کارایی فشرده‌سازی نطق قابل قبولی دست یابیم و اینکه روش مبتنی بر CRF به طور کلی بهتر عمل می‌کند. با ترکیب روش‌های فشرده‌سازی و خلاصه‌سازی، می‌توانیم خلاصه‌های گفتاری فشرده که اطلاعات بیشتری در محدوده طول معین پوشش می‌دهد را تولید کنیم و کارایی مطلق 5٪ را در آوانویسی‌های انسانی و اتوماتیک ارزیابی شده توسط رتبه‌های ROUGE-1 بدست آوریم.

[1] Integer Linear Programming

[2] conditional random fileds

ترجمه شماره 19 - ردیابی انسان با استفاده از شبکه های عصبی کانولوشن

Human Tracking Using Convolutional Neural Networks

ردیابی انسان با استفاده از شبکه های عصبی کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 43 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2010

دانلود اصل مقاله – رایگان

قیمت : 24000 تومان

چکیده

 در این مقاله،  ما ردیابی را به عنوان شناخت مساله تخمین مکان ومقیاس شی با در نظر گفتن مکان و مقیاس قبلی اش و همچنین فریم (تک تصویر)های تصویر قبلی و  جاری مورد بررسی قرار می دهیم. با ارائه مجموعه از مثالها، شبکه های عصبی کانولوشن (CNNs) را برای  انجام وظایف تخمینی بالا، آموزش می دهیم. متفاوت از دیگر روش های تخمینی، شبکه های عصبی کانولوشن (CNNs)، به طور مشترک، ویژگیهای مکانی و زمانی را از جفت تصاویر دو فریم( تک تصاویر) مجاور می شناسد. ما روشهای چندگانه در شبکه عصبی کانولوشن (CNNs)، را برای آمیختن بهتر اطلاعات سراسری و محلی، معرفی می کنیم. ساختمان متغیر تبدیل خلاقانه شبکه های عصبی کانولوشن (CNNs)، گویی برای کاهش مشکل تبدیل، زمانی که اشیای مزاحم مشابه هدف در محیط شلوغ هستند، طراحی شده است. به علاوه، ما  شبکه های عصبی کانولوشن (CNNs) را برای تخمین مقیاس از طریق مکان یابی دقیق برخی نقاط کلیدی، به کار می گیریم. این روشها وابسته به شی هستند، به گونه ای که روش پیشنهادی می تواند برای ردیابی انواع دیگر شی به کار گرفته شود. قابلیت ردیابی مدیریت موقعیت پیچیده ،در سکانس های آزمایشی بسیاری بیان شده است.

اصطلاحات راهنما- شبکه های عصبی کانولوشن، یادگیری ماشینی، ردیابی بصری

ترجمه 18 - پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

 A Dynamically Configurable Coprocessor for Convolutional Neural Networks

پردازنده کمکی پویای قابل تنظیم برای شبکه های عصبی کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 47 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2013

دانلود اصل مقاله – رایگان

قیمت : 29000 تومان

این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:

۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟

۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟

۸-۳ راه حل های قبلی چه هستند؟

۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

۸-۵ راه حل پشنهادی چیست؟

۸-۶ چگونه راه حل  طراحی و پیاده سازی شده است؟

۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

۸-۹ روش پشنهادی چگونه ارزیابی شده است؟

۸-۱۰ ارزش راه حل چگونه اثبات شده است؟

۸-۱۱ نتایج اصلی مقاله چه هستند؟

۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟

۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟

۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟

۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

برنامه ­های کاربردی شبکه­های عصبی کانولوشن (CNN) برنامه ­هایی هستند که از شناسایی و استدلال (مانند شناسایی دست خط، شناسایی حالت چهره و نظارت فیلم­ها) تا برنامه­ های هوشمند متنی مثل تحلیل فنی شماتیک و برنامه ­های پردازش زبان طبیعی را شامل می­شوند. دو مشاهده کلیدی باعث ساختن طرحی جدید برای CNN شد؛ اول، بارِ کاری CNN، مخلوطی وسیع از سه نوع موازی­سازی را ارائه داده است: موازی­ سازی درون یک عملیات کانولوشن، موازی­ سازی در داخل-خروجی که در آن چندین منابع ورودی (ویژگی­ها) ترکیب می­شوند تا یک خروجی واحد بسازند، و موازی ­سازی بین-خروجی که در آن چندین خروجی (ویژگی) مستقل، همزمان محاسبه می­شوند. بارهای کاری در برنامه ­های مختلف CNN و لایه ­های متفاوت CNN، تفاوت چشم­گیری دارند. دوما، تعداد المان­های محاسبه در یک معماری، نسبت به پهنای باند خارج از حافظه (pin-count) با نسبت بسیار بیشتری (همانند قانون مور[1]) افزایش می یابد. بر اساس این دو مشاهده، ما نشان می­دهیم که در ازای مقدار مشخصی المان محاسبه و پهنای باند خارج از حافظه، یک معماری سخت افزاری جدید CNN که برای رسیدن به مقدار مشخصی از موازی­سازی در یک بارِکاری مشخص، سخت افزار را به طور پویا و درجا تنظیم می­کند و بهترین توان عملیاتی را می­دهد. کامپایلر CNN ما، مشخصات خلاصه شده شبکه را به طور خودکار به یک ریزبرنامه (دسته­ای از دستورات سطح پایین VLIW) ترجمه می­کند که توسط یک Coprocessor، برنامه ­ریزی، زمان­بندی و اجرا می­شود. به نسبت یک 4.3GHz quad-core dual socket Intel Zenon، 1.35 GHz C910 GPU و یک 1200MHz FPGA، معماری قابل تنظیم 120 مگاهرتز، حدود 4 تا 8 برابر سریعتر است. این اولین معماری CNN است که توانسته شناسایی اشیای زیادی را در یک فیلم برداری (25 تا30 فریم بر ثانیه) به طور همزمان انجام دهد.

گروه­ها و توضیح دهنده­های موضوعات

c.1.3 (حالت های دیگر معماری): معماری های سازگار شونده، شبکه های عصبی، پردازنده های پاپ لاین[2]

واژه­های عمومی

طرح، آزمایش، کارایی

کلمه­های کلیدی

شبکه های عصبی کانولوشن، تنظیم دوباره پویا، معماری رایانه موازی

[1] Moore

[2] Pipeline processors.

ترجمه 17 - شبکه های عمیق کانولوشن برای دسته بندی داده های بصری

Convolutional Deep Networks for Visual Data Classification

شبکه ­های عمیق کانولوشن برای دسته ­بندی داده­های بصری

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 34 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : ۲۰۱۲

دانلود اصل مقاله – رایگان

قیمت : 24000 تومان

این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:

۸-۱ مقاله دقیقا چی مساله ای را میخواهد حل کند؟

۸-۲ چه جنبه این مساله جنبه مهمی است؟ چرا؟

۸-۳ راه حل های قبلی چه هستند؟

۸-۴ مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

۸-۵ راه حل پشنهادی چیست؟

۸-۶ چگونه راه حل  طراحی و پیاده سازی شده است؟

۸-۷ چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

۸-۸ فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

۸-۹ روش پشنهادی چگونه ارزیابی شده است؟

۸-۱۰ ارزش راه حل چگونه اثبات شده است؟

۸-۱۱ نتایج اصلی مقاله چه هستند؟

۸-۱۲ نتایج چقدر نسبت به فرضیات حساس هستند؟

۸-۱۳ روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

۸-۱۴ در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

۸-۱۵ نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

۸-۱۶ نقاط ضعف کار از نظر شما کدامند؟

۸-۱۷ شما چه جهت هایی برای ادامه کار می بینید؟

۸-۱۸ چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

این مقاله یک الگوریتم یادگیری نیمه نظارتی را به نام شبکه های عمیق پیچیدگی (CDN) در بر گرفته است، که این شبکه ها برای نشان دادن مشکل دسته­بندی تصاویر توسط یادگیری عمیق به کار می روند. ابتدا، ما چندین لایه پنهان قبلی را با استفاده از ماشین های بلتزمن می سازیم که به طور مؤثر قادر به کاهش اندازه و چکیده اطلاعات تصاویر می باشند. دوم، لایه های پنهان بعدی را با استفاده از ماشین های بلتزمن، می سازیم که به سرعت اطلاعات تصاویر را خلاصه می کنند. سوم، این معماری عمیق ایجاد شده، به خوبی توسط نزول در امتداد گرادیان، تنظیم شده است و بر پایه یادگیری نظارتی با یک تابع ضرر نمایی می باشد. CDN، می تواند ابعاد و چکیده اطلاعات تصویر را در یک زمان بطور موثری کاهش دهد. مهمتر آنکه روند خلاصه سازی و دسته بندی شبکه های CDN، از معماری عمیق یکسانی برای بهینه سازی پارامترهای مشابه در مراحل متفاوت استفاده می کند، که به طور مؤثر توانایی یادگیری را بهبود می بخشد. ما چندین آزمایش روی دو مجموعه دادگان تصاویر استاندارد انجام دادیم و نتایج نشان داده بود که CDN با هر دو دسته بندی کننده های نیمه نظارتی و تکنیکهای یادگیری عمیق موجود در رقابت است.

کلمات کلیدی:

یادگیری نیمه نظارتی، یادگیری عمیق، شبکه های عصبی کانولوشن، دسته­ بندی داده­ های بصری

ترجمه 16 - دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

ImageNet Classification with Deep Convolutional Neural Networks

دسته بندی شبکه تصویر با شبکه های عصبی عمیق کانولوشن

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله به همراه پاسخ به سوالات : 48 صفحه

رعایت تمام قوانین نگارشی و دارای فهرست اشکال،جداول و محتوا

سال چاپ مقاله : 2012

دانلود اصل مقاله - رایگان

قیمت : 29000 تومان

این فایل علاوه بر ترجمه به سوالات زیر در باب مقاله مذکور پاسخ میدهید:

8-1 مقاله دقیقا چی مساله ای را میخواهد حل کند؟

8-2 چه جنبه این مساله جنبه مهمی است؟ چرا؟

8-3 راه حل های قبلی چه هستند؟

8-4 مشکلات راه حلهای قبلی چیست و چرا ناکافی هستند؟

8-5 راه حل پشنهادی چیست؟

8-6 چگونه راه حل  طراحی و پیاده سازی شده است؟

8-7 چرا این راه حل کار خواهد کرد و بهتر از راه حل های قبلی خواهد بود؟

8-8 فرضیات بکار رفته چه هستند؟ این فرضیات چقدر واقع گرایانه هستند؟

8-9 روش پشنهادی چگونه ارزیابی شده است؟

8-10 ارزش راه حل چگونه اثبات شده است؟

8-11 نتایج اصلی مقاله چه هستند؟

8-12 نتایج چقدر نسبت به فرضیات حساس هستند؟

8-13 روندهای آتی این کار تحقیقاتی از نظر نویسندگان چیست؟

8-14 در نگاه کلی، این مقاله چه چیزی به ما میدهد؟

8-15 نقاط قوت کار از نظر شما کدامند؟در ایده اولیه، در راه حل، و در ارزیابی؟

8-16 نقاط ضعف کار از نظر شما کدامند؟

8-17 شما چه جهت هایی برای ادامه کار می بینید؟

8-18 چه سوالاتی در مورد مقاله به ذهن شما می آید؟

چکیده

ما یک شبکه عصبی عمیق کانولوشن و بزرگ برای طبقه بندی 1.2 میلیون تصویر با وضوح بالا در رقابت LSVRC-2010 شبکه تصویر به 1000 دسته متفاوت آموزش داده ایم. در داده های آزمایشی، ما به نرخ خطاهای بالاترین و 5 تا بالاترین رسیدیم که به طور قابل ملاحظه ای بهتر از روشهای مطرح قبلی می باشد. شبکه عصبی، که 60 میلیون پارامتر و 650 هزار سلول عصبی دارد شامل پنج لایه کانولوشن می باشد، که برخی از آنها توسط لایه های مکس-پولینگ[1] و سه لایه اتصالات کامل با یک تابع فعالیت سافت مکس[2] 1000-مسیره همراه شده اند. برای سریع بخشیدن به مرحله آموزش، ما از سلول عصبی های غیر اشباع و پیاده سازی واحد پردازنده گرافیکی بسیار کارآمد از عملکرد کانولوشن استفاده کردیم. برای کاهش اوورفیت[3] شدن در لایه­های با اتصالات کامل، ما یک روش تنظیم که به تازگی توسعه یافته را بکار می بریم که "دراپ آوت[4]" نامیده شده و ثابت کرده است بسیار موثر می باشد. ما همچنین انواع مختلفی از این مدل را در رقابت ILSVRC-2012  وارد کرده ایم و به 5 بالاترین نرخ خطای آزمایش 15.3 درصد در مقایسه با 26.2 بدست آمده با دومین بهترین دست یافته ایم.

[1] max-pooling

[2] Softmax

[3] Overfitting

[4] Dropout

ترجمه شماره 15 - تبدیل های ریزموج کسینوسی، walsh و اریب برای استگانوگرافی تصاویر بزرگ

Cosine,Walsh and Slant Wavelet Transforms for Robust Image Steganography

تبدیل های ریزموج کسینوسی، walsh و اریب برای استگانوگرافی تصاویر بزرگ

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 17 صفحه

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰تومان

چکیده

بر اساس آنالیز هیستوگرام های اختلاف مقدار پیکسل تصاویر پوششی و stego ، یک steganalyzer خاص برای steganography لبه های تصویر بر اساس تکنیک انطباق کم اهمیت ترین بیت EA-LSBMR ارائه شده است. این روش steganography امکان ایجاد نواحی لبه ای تیز تر را در تصاویر پوششی فراهم می کند تا اولا داده های سری را بتوان در آنها جای داد و ثانیا امنیت بالاتری را بدست آورد. این روش خاص با استفاده از ضعف steganography LSBMR EA- طراحی شده است. نتایج ازمایش نشان می دهد که این روش می تواند از EA-LSBMR steganography به خوبی دفاع کند.

ترجمه شماره 14 - یک آشکارساز مخصوص برای استگانوگرافی انطباقی لبه تصویر بر مبنای LSB منطبق

فرA Special Detector for the Edge Adaptive Image Steganography
Based on LSB Matching Revisited

یک آشکارساز مخصوص برای استگانوگرافی انطباقی لبه تصویر بر مبنای LSB منطبق 

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 11 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000تومان

چکیده

بر اساس آنالیز هیستوگرام های اختلاف مقدار پیکسل تصاویر پوششی و stego ، یک steganalyzer خاص برای steganography لبه های تصویر بر اساس تکنیک انطباق کم اهمیت ترین بیت EA-LSBMR ارائه شده است. این روش steganography امکان ایجاد نواحی لبه ای تیز تر را در تصاویر پوششی فراهم می کند تا اولا داده های سری را بتوان در آنها جای داد و ثانیا امنیت بالاتری را بدست آورد. این روش خاص با استفاده از ضعف steganography LSBMR EA- طراحی شده است. نتایج ازمایش نشان می دهد که این روش می تواند از EA-LSBMR steganography به خوبی دفاع کند.

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