دانلود ترجمه مقاله امنیت با استفاده از پردازش تصویر و شبکههای عصبی کانولوشنال عمیق (آی تریپل ای ۲۰۱۸)
این مقاله انگلیسی ISI در نشریه آی تریپل ای در سال ۲۰۱۸ منتشر شده که ۶ صفحه می باشد، ترجمه فارسی آن نیز ۱۷ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
امنیت با استفاده از پردازش تصویر و شبکههای عصبی کانولوشنال عمیق |
عنوان انگلیسی مقاله: |
Security using image processing and deep convolutional neural networks |
|
مشخصات مقاله انگلیسی | |
نشریه | آی تریپل ای – IEEE |
سال انتشار | ۲۰۱۸ |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | ۶ صفحه |
نوع مقاله | ISI |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | امنیت اطلاعات – شبکه های کامپیوتری – مهندسی نرم افزار – مهندسی الگوریتم ها و محاسبات – هوش مصنوعی – اینترنت و شبکه های گسترده |
چاپ شده در مجله (ژورنال) | IEEE International Conference on Innovative Research and Development |
کلمات کلیدی | تشخیص حرکت – پردازش تصویر – شبکه های عصبی – Open CV – جریان تنسور – میکرو کنترلرها |
کلمات کلیدی انگلیسی | Motion Detection – Image Processing – Neural networks – Open CV – Tensor Flow – Microcontrollers |
نویسندگان | Goutham Reddy Kotapalle – Sachin Kotni |
شناسه دیجیتال – doi | https://doi.org/10.1109/ICIRD.2018.8376292 |
لینک سایت مرجع | https://ieeexplore.ieee.org/document/8376292 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۲۵۳۳ |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | ۱۷ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
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 | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱ مقدمه ۲ انگیزه ۳ بررسی مقالات ۴ کار پیشنهادی ۵ پیاده سازی و تحلیل سیستم پیشنهادی ۶ نتایج و بحث ۷ نتیجه گیری و کار آتی منابع |
بخشی از ترجمه |
چکیده ایمنی از مواردی است که تمامی افراد نگران آن هستند. نقض امنیت مکان های خصوصی به تهدیدی تبدیل شده است که هر فردی تمایل دارد آن را از بین ببرد. سیستم های سنتی امنیتی هنگامی که یک نقض امنیتی را شناسایی می کنند، زنگ های هشداردهنده خود را فعال می کنند. با این حال، به کارگیری پردازش تصویر همراه با یادگیری عمیق با استفاده از شبکه های عصبی پیچشی (کانولوشنی) برای تشخیص و دسته بندی تصویر در شناسایی یک نقض به روشی ارتقاء یافته کمک می کند و در نتیجه سبب افزایش امنیت به میزان بسیار زیادی می شود. این به دلیل قابلیت آن در استخراج ویژگی های پیچیده از تصاویر با استفاده الگوریتم های دقیق و پیچیده تشخیص چهره و بدن است. نرخی که در آن یادگیری ماشین و به ویژه یادگیری عمیق تبدیل می شود، بسیار زیاد است. با استفاده از چنین فناوری، انتقال سیستم ها و مدل های موجود به سطح بعدی گام عظیمی در راستای پیشرفت ها در هر حوزه علم و فناوری است. چنین روندی در حوزه رایانه نیز وجود دارد. این دو به یکدیگر پیوسته و در حوزه امنیت مورد استفاده قرار می گیرند که منجر به دستیابی به نتایج بهتری نسبت به آنچه که تصور می گردید می شود که هدف این مقاله نیز می باشد.
۲- انگیزه
هوش ماشینی (مصنوعی) یکی از داغ ترین موضوعات در این حوزه فناوری است که به رایانه ها توانایی یادگیری را می دهد که ورودی را از محیط اطراف خود دریافته کنند و اقداماتی برای حداکثر کردن احتمال خروجی موفق به کار گیرند. این فرآیند شمابه با روش اجرا شده در داده کاوی است. داده کاوی داده ها را استخراج می کند در حالی که یادگیری ماشین سعی می کند تا الگوهایی را در داده پیدا کند. در اینجا تصاویر کاربرانی که امکان دسترسی مجاز به داده های امن فراهم شده است، به عنوان مجموعه داده اولیه در آموزش مدل های شبکه عصبی مورد استفاده در شناسایی یک چهره به کار گرفته می شود. سپس این سیستم می تواند چهره افراد مورد نظر را شناسایی کند که در تصمیم گیری ها به ما کمک می کند و به نوبه خود سبب افزایش اثربخشی سیستم امنیتی می شود. در نتیجه، افزودن کاربران جدید به سیستم نیازمند آموزش شبکه عصبی است تا به قابلیت شناسایی چهره های اضافه شده جدید دست یابد. این کار مقادیر جدیدی را برای پارامترهای مورد استفاده در مدل شبکه عصبی تعیین می کند.
استفاده از نمایش رایانه ای اخیراً به دست آمده است و الگوریتم های مورد استفاده در این حوزه با گذشت زمان بهتر و بهتر می شوند و در دستیابی به نتایج بهتر کمک می کنند. همچنین این مقاله بر پردازش تصویر تمرکز می کند به طوری که قصد داریم چهره ها را از فریم های به دست آمده با استفاده از ماژول های سخت افزاری دوربین که داده ها را به ماژول های کنترل کننده می فرستند، شناسایی کنیم. الگوریتم های پردازش تصویر به نوبه خود تصاویری که از نظر ویژگی غنی هستند را برای پردازش توسط مدل شبکه عصبی در لایه بعدی انتقال می دهد. این سیستم از یک معماری سه لایه ای تبعیت می کند که هر لایه دارای اهمیت خاص خود است؛ لایه اول لایه گیرنده سخت افزاری است، لایه دوم لایه پردازش تصویر است و در نهایت لایه شبکه عصبی قرار دارد. |