Andere Kunden interessierten sich auch für
![Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito]( "Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito")
Studio di modelli avanzati di ML e DL per il rilevamento delle frodi sulle carte di credito51,99 €![Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens]( "Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens")
Uma análise comparativa das variantes LBP para a deteção de adulteração de imagens29,99 €![Riconoscimento e rilevamento del volto specifico di una persona basato su CNN]( "Riconoscimento e rilevamento del volto specifico di una persona basato su CNN")
Riconoscimento e rilevamento del volto specifico di una persona basato su CNN26,99 €![DeepCOPD: rilevamento della BPCO tramite deep learning]( "DeepCOPD: rilevamento della BPCO tramite deep learning")
DeepCOPD: rilevamento della BPCO tramite deep learning29,99 €![FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale]( "FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale")
FLAMED: un approccio di apprendimento profondo per il rilevamento di incendi e fumi in tempo reale39,99 €![Applicazione dell'intelligenza artificiale per la super risoluzione delle immagini]( "Applicazione dell'intelligenza artificiale per la super risoluzione delle immagini")
Applicazione dell'intelligenza artificiale per la super risoluzione delle immagini55,99 €![Corrispondenza di immagini stereo per la ricostruzione 3D]( "Corrispondenza di immagini stereo per la ricostruzione 3D")
Corrispondenza di immagini stereo per la ricostruzione 3D26,99 €
Questa tesi esplora l'uso dei Local Binary Patterns (LBP) e delle reti neurali convoluzionali (CNN) per rilevare la manomissione delle immagini, un problema sempre più diffuso nell'attuale panorama digitale. Attraverso un'analisi comparativa di quattro varianti di LBP utilizzando il set di dati CASIA-2.0, si combinano i descrittori di texture di LBP con CNN per migliorare l'accuratezza e la robustezza. La metodologia prevede la generazione di descrittori di texture locali con LBP e il loro inserimento in un'architettura CNN addestrata a classificare le immagini come manomesse o autentiche. Nonostante le sfide poste dalla complessità computazionale, la ricerca mira a contribuire a un sistema affidabile di rilevamento delle manomissioni applicabile in vari scenari del mondo reale. In particolare, Uniform LBP dimostra prestazioni superiori sia in fase di addestramento che di test, raggiungendo un'accuratezza e un punteggio F1 superiore al 97% nel rilevamento delle immagini manomesse, convalidando l'efficacia dell'approccio.