A Parallel Watermarking application on a G
Bibliographic record
Abstract
Debido al gran volumen de información que fluye a través de Internet, las marcas de agua se utilizan ampliamente para proteger la autenticidad e integridad de la información. La inserción y la extracción de marcas de agua se pueden hacer en el dominio espacial o de otros dominios de frecuencia, como la Transformada Discreta del Coseno (DCT) y la Transformada Discreta Wavelet (DWT).La inserción y la extracción en dominios como DCT tienen un gran costo computacional en comparación con los métodos espaciales. Sin embargo, el proceso de marcas de agua en el dominio de la frecuencia tiene mejores resultados en calidad y robustez debido al uso de coeficientes no correlacionados. En este trabajo, se propone utilizar una unidad de procesamiento gráfico (GPU) para reducir el costo computacional de la inserción y extracción de los bits de la marca de agua en el dominio de DCT. Se propone, para tomar ventaja de los bloques generados después de la DCT, asignar la misma configuración de bloques en la GPU. También se hace uso de los diferentes tipos de memoria, como la constante y compartida, para optimizar el uso de los recursos del GPU. Los experimentos evalúan el desempeño de la marca de agua en la GPU, y muestran que el algoritmo que se ejecuta en la GPU es hasta 6 veces más rápido en comparación con el ejecutado en el CPU, aun tomando en consideración el tiempo que lleva transferir datos desde la memoria RAM a la memoria de la GPU.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.032 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".