Impact of watermarking on offline signature verification in intelligent bio-watermarking systems
Notice bibliographique
Résumé
Bio-watermarking systems were introduced as the synergistic integration of biometrics and digital watermarking to assure the integrity, authenticity and confidentiality of digitized image documents, and biometric templates. In this paper, the impact of watermarking attacks on the performance of offline signature verification is assessed in the context of intelligent bio-watermarking systems. The considered system is based on incremental learning computational intelligence, and multi-objective formulation that allows optimizing parameters according to watermark quality and robustness simultaneously. In this study, Extended Shadow Code features are extracted from digitized offline signatures, collected into feature vectors, and discretized into binary watermarks prior to being embedded into high resolution grayscale face image. The impact on biometric verification performance of quantization and different intensities of attacks are considered, and also observed the impact of using only certain areas of face images of higher texture Region Of Interest (ROI) for embedding the watermark. Experimental results conclude the optimal discretization, and better watermark fitness and verification performance when embedding in ROI. To improve the performance in future research, the authors propose to embed more reference signatures, use efficient ROI identification techniques, and finally novel formulation to add biometrics verification fitness to the watermark quality and robustness fitness during embedding optimization. The proposed system can be applied for verifying individuals crossing borders using offline signatures, or protecting biometric templates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».