ترجمه مقاله تائید امضای آنلاین با استفاده از نمایش برداری i - نشریه IEEE

قیمت خرید این محصول

۳۹,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

تائید امضای آنلاین با استفاده از نمایش برداری i

عنوان انگلیسی

Online signature verification using i-vector representation

صفحات مقاله فارسی

30

صفحات مقاله انگلیسی

10

سال انتشار

2017

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده و pdf

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

2.552 در سال 2018

شاخص H_index مجله

19 در سال 2019

شاخص SJR مجله

0.366 در سال 2018

شاخص Q یا Quartile (چارک)

Q2 در سال 2018

شناسه ISSN مجله

2047-4938

کد محصول

10199

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است ☓

وضعیت ترجمه منابع داخل متن

درج نشده است ☓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

بیس

است ✓

مدل مفهومی

دارد ✓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر، هوش مصنوعی

مجله

موسسه بیومتریک مهندسی و فناوری - IET Biometrics

دانشگاه

گروه مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران

doi یا شناسه دیجیتال

https://doi.org/10.1049/iet-bmt.2017.0059

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

نمونه چکیده متن اصلی 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.

نمونه چکیده ترجمه متن فارسی

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 2 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 8.75% (EER) برسد. در پایگاه داده SVC2004، EER 5% به دست آمده است که به معنای بهبود نسبی 11 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.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی هوش مصنوعی