Andere Kunden interessierten sich auch für
![Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit]( "Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit")
Étude des modèles avancés de ML et DL pour la détection des fraudes à la carte de crédit51,99 €![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 €![DeepCOPD : détection de la BPCO grâce au deep learning]( "DeepCOPD : détection de la BPCO grâce au deep learning")
DeepCOPD : détection de la BPCO grâce au deep learning29,99 €![Reconnaissance et détection de visages spécifiques à une personne par CNN]( "Reconnaissance et détection de visages spécifiques à une personne par CNN")
Reconnaissance et détection de visages spécifiques à une personne par CNN26,99 €![A Comparative Analysis of LBP Variants for Image Tamper Detection]( "A Comparative Analysis of LBP Variants for Image Tamper Detection")
A Comparative Analysis of LBP Variants for Image Tamper Detection29,99 €![Application de l'intelligence artificielle à la super résolution d'images]( "Application de l'intelligence artificielle à la super résolution d'images")
Application de l'intelligence artificielle à la super résolution d'images55,99 €![FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées]( "FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées")
FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées39,99 €
Cette thèse explore l'utilisation des motifs binaires locaux (LBP) et des réseaux neuronaux convolutifs (CNN) pour détecter la falsification d'images, un problème de plus en plus répandu dans le paysage numérique d'aujourd'hui. Grâce à une analyse comparative de quatre variantes de LBP à l'aide de l'ensemble de données CASIA-2.0, il combine les descripteurs de texture de LBP avec CNN pour améliorer la précision et la robustesse. La méthodologie consiste à générer des descripteurs de texture locaux avec le LBP et à les introduire dans une architecture CNN entraînée à classer les images comme étant trafiquées ou authentiques. En dépit de difficultés telles que la complexité informatique, la recherche vise à contribuer à un système fiable de détection de la falsification applicable à divers scénarios du monde réel. Notamment, Uniform LBP démontre des performances supérieures à la fois en termes de temps de formation et de temps de test, atteignant une précision et un score F1 supérieurs à 97% dans la détection de la falsification d'images, validant ainsi l'efficacité de l'approche.