MétaCan
Menu
Retour à la cohorte
Enregistrement W4413177255 · doi:10.18280/ts.420422

Generative Information Hiding of Iris Feature Data via Gaussian Fuzzy Processing and Advanced Encryption Standard-Based Encryption

2025· article· en· W4413177255 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueTraitement du signal · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueBiometric Identification and Security
Établissements canadiensnon disponible
Organismes subventionnairesHuanghuai University
Mots-clésEncryptionComputer scienceIRIS (biosensor)Feature (linguistics)Artificial intelligencePattern recognition (psychology)Information hidingFuzzy logicData miningComputer visionImage (mathematics)BiometricsComputer security

Résumé

récupéré en direct d'OpenAlex

Conventional methods for hiding iris feature data have been hindered by inefficient feature extraction processes and inadequate post-hiding information security, thereby limiting both performance and applicability.To address these challenges, a generative information hiding approach for iris feature data has been developed, based on a Gaussian fuzzy algorithm and Advanced Encryption Standard (AES) encryption.In the preprocessing phase, a weighted averaging technique was employed for greyscale conversion, followed by Gaussian fuzzy smoothing to reduce noise while preserving structural integrity.Subsequent image sharpening was conducted using a Laplacian convolution kernel to enhance edge definition.The iris region was then localized and normalized to a fixed size, ensuring geometric invariance during feature extraction.Two-dimensional Gabor wavelets were utilized for the extraction of robust and discriminative iris features, given their proven effectiveness in capturing both spatial frequency and orientation information.To ensure data confidentiality, the extracted iris features were encrypted using the AES, with a corresponding decryption process integrated within the generative information hiding framework.This dual-layer strategy ensured that both the biometric feature data and the hidden information remained secure against unauthorized access or reconstruction.Experimental validation demonstrated that the proposed method enabled iris feature extraction within ten seconds on standard computing hardware, with a significantly improved data security coefficient compared to conventional techniques.Furthermore, the proposed methodology achieved a high level of imperceptibility and robustness, supporting its application in biometric security systems and privacy-preserving identity verification.These findings suggest that the integration of Gaussian fuzzy processing with secure encryption offers an effective pathway for reliable and efficient iris feature data concealment.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,935
Score d'incertitude au seuil0,439

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,271
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle