دانلود مقاله ترجمه شده تائید امضای آنلاین به وسیله نمایش برداری (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) I

ieee2

 

 

این مقاله انگلیسی ISI در نشریه IEEE در ۱۰ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۳۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تائید امضای آنلاین به وسیله نمایش برداری i

عنوان انگلیسی مقاله:

Online signature verification using i-vector representation

 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۱۰ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article) 
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی
چاپ شده در مجله (ژورنال) موسسه بیومتریک مهندسی و فناوری – IET Biometrics
ارائه شده از دانشگاه گروه مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران
نمایه (index) Scopus – Master journals – JCR
نویسندگان Hossein Zeinali، Bagher BabaAli، Hossein Hadian
شناسه شاپا یا ISSN ISSN ۲۰۴۷-۴۹۳۸
شناسه دیجیتال – doi https://doi.org/10.1049/iet-bmt.2017.0059
ایمپکت فاکتور(IF) مجله ۲٫۵۵۲ در سال ۲۰۱۸
شاخص H_index مجله ۱۹ در سال ۲۰۱۹
شاخص SJR مجله ۰٫۳۶۶ در سال ۲۰۱۸
شاخص Q یا Quartile (چارک) Q2 در سال ۲۰۱۸
بیس است 
مدل مفهومی دارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۰۱۹۹
لینک مقاله در سایت مرجع لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود در فایل ورد و PDF
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۳۰ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه نشده است 
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

مقدمه

سیستم های مبتنی بر بردار i

ایجاد مدل پس زمینه جهانی (UBM)

روش های مربوط به کاهش اثرات تغییرات درون کلاس

روش پیشنهادی

ایجاد یک الگو برای هر فرد

امتیاز دادن (معیار شباهت)

تصمیم گیری

تصمیم گیری بر اساس طبقه بندی دوتایی SVM

استخراج ویژگی

پیش پردازش

ویژگی ها

پس از پردازش

هنجارسازی میانگین و واریانس

تنظیمات آزمایش

پایگاه داده

معیارهای ارزیابی

تجسم t-SNE در فضای بردار i

نتایج تجربی

اثرات اجزای UBM، ابعاد بردارهای i و پس پردازش ویژگی ها

مقایسه تغییرات NAP و WCCN

استفاده از امضاهای مرجع در تغییرات WCCN و NAP

اثرات کاهش سرعت نمونه برداری

اثرات اندازه مجموعه مرجع بر عملکرد

نتایج تکنیک های مبتنی بر SVM پیشنهادی

مقایسه با سایر روش ها

نتایج مربوط به پایگاه داده SVC2004

مقایسه با سایر نتایج گزارش شده در مورد پایگاه داده SVC2004

نتیجه گیری

منابع

 

بخشی از ترجمه

چکیده

تائید امضا (SV) یکی از روش های رایج برای تشخیص هویت در بانکداری است، که به دلایل امنیتی، داشتن روش دقیقی برای SV خودکار (ASV) حائز اهمیت است. ASV معمولا با مقایسه امضای آزمایشی و امضای ثبت شده توسط فردی بررسی می شود که هویت او به دو روش ادعا شده است: آنلاین و آفلاین. در این مطالعه، یک روش جدید مبتنی بر برداری i برای SV آنلاین پیشنهاد شده است. در روش پیشنهادی، برداری با طول ثابت، به نام بردار i، از هر امضا استخراج شده است و سپس این بردار به ساخت الگو مورد استفاده قرار گرفته است. چند تکنیک مانند طرح ریزی ویژگی مزاحمت (NAP) و هنجار سازی کوواریانس درون کلاس (WCCN) نیز برای کاهش تغییر درون کلاسی در فضای بردار i مورد بررسی قرار گرفته اند. در مرحله امتیاز دادن و تصمیم گیری، استفاده از یک روش ماشین بردار پشتیبان کلاس ۲ نیز پیشنهاد شده است. نتایج تجربی نشان می دهند که روش پیشنهادی در بهترین حالت می تواند در پایگاه داده SigWiComp2013 به نرخ خطای برابر ۸٫۷۵% (EER) برسد. در پایگاه داده SVC2004، EER 5% به دست آمده است که به معنای بهبود نسبی ۱۱ درصد در مقایسه با بهترین نتیجه گزارش شده است. علاوه بر افزایش دقت قابل توجه آن، نسبت به روش معمول انحراف زمانی پویا، بهبود قابل توجهی در هزینه محاسباتی نشان داده شده است.

 

نتیجه گیری

در سال های اخیر، بردار های i به بهترین نتایج برای تشخیص گوینده رسیده اند. در این مطالعه، هدف ما استفاده از این روش برای استفادهSV آنلاین است. در نتیجه، یک روش مبتنی بر بردار i پیشنهاد می شود که در مقایسه با روش های قبلی در پایگاه داده SigWiComp2013 به نتایج بهتری رسیده است. در این روش، ما از تکنیک های NAP و WCCN برای کاهش تغییرات درون کلاس استفاده کردیم که منجر به بهبود قابل توجه نتایج شدند. علاوه بر این، با استفاده از تغییرات ویژگی محاسبه شده برای هر فرد، نتایج بهبود یافتند. همچنین یک تکنیک مبتنی بر SVM کلاس ۲ برای تمایز امضاهای واقعی و جعلی مورد پیشنهاد شد که عملکرد روش بردار i را به طور قابل توجهی بهبود بخشید. در این مورد نیز، استفاده از مدل های SVM وابسته منجر به افزایش مقدار EER شد. در پایگاه داده SigWiComp2013، این روش به EER 8.75 % رسید که بهترین نتیجه گزارش شده در مورد این پایگاه داده است. برای تائید ثبات بهبود روش مبتنی بر بردار i پیشنهادی در سایر پایگاه داده ها، پایگاه داده SVC2004 نیز ارزیابی شد. در این پایگاه داده، در مورد سایر نتایج گزارش شده، پیشرفت هایی ایجاد شدند، اما نه به اندازه پایگاه داده SigWiComp2013. روش مبتنی بر SVMوابسته در بهترین حالت به ۵ درصد EER می رسد.

 

بخشی از مقاله انگلیسی

Abstract

Signature verification (SV) is one of the common methods for identity verification in banking, where for security reasons, it is very important to have an accurate method for automatic SV (ASV). ASV is usually addressed by comparing the test signature with the enrolment signature(s) signed by the individual whose identity is claimed in two manners: online and offline. In this study, a new method based on the i-vector is proposed for online SV. In the proposed method, a fixed-length vector, called i-vector, is extracted from each signature and then this vector is used for template making. Several techniques such as nuisance attribute projection (NAP) and within-class covariance normalisation (WCCN) are also investigated in order to reduce the intra-class variation in the i-vector space. In the scoring and decision making stage, they also propose to apply a 2-class support vector machine method. Experimental results show the proposed method could achieve 8.75% equal error rate (EER) on SigWiComp2013 database in the best case. On SVC2004 database, it also achieved 5% EER that means 11% relative improvement compared with the best reported result. In addition to its considerable accuracy gain, it has shown significant improvement in the computational cost over conventional dynamic time warping method.

 

۷- Conclusion

In recent years, i-vectors have achieved the best results for speaker verification. In this paper, we aimed at adopting this method for the application of online SV. As a result, we proposed a method based on i-vector which achieved better results compared with previous methods on the SigWiComp2013 database. In this method, we used the techniques of NAP and WCCN to reduce intra-class variations which improved the results remarkably. In addition, we further improved the results by using separately computed feature transformations for each individual. We also proposed a 2-class SVM-based technique to discriminate genuine and forged signatures which improved the performance of the i-vector method considerably. In this case also applying individual dependent SVM models resulted in some gain in the EER value. On SigWiComp2013 database, this method achieved 8.75% EER that is the best reported result on this database so far. To verify the consistency of improvement of the proposed ivector-based method on other databases, the SVC2004 database was also evaluated. On this database, we obtained some improvement over other reported results, but not as much as the SigWiComp2013 database. The individual dependent SVM-based method reaches 5% EER in the best case.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تائید امضای آنلاین به وسیله نمایش برداری i

عنوان انگلیسی مقاله:

Online signature verification using i-vector representation

 

 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.