Extração de características para impressoras laser utilizando
uma abordagem de deep learning

Prof. Dr. Milton Hirokazu Shimabukuro

Orientador

Robson Cruz

Orientando

Informações

  • Área de Pesquisa
    • Metodologia e Técnicas de Computação
    • 1.03.03.00-6
  • Palavras Chave
    • Extração de características;
    • Mineração de dados;
    • Rede neural.
  • Duração
    • MARÇO/2018 - JUNHO/2019

Formulação

  • Grande utilização de documentos impressos:
    • Negócios;
    • Administração;
    • Ambiente Acadêmico.
  • Grande aumento na utilização de impressoras
    • Baixa nos preços;
    • Ambientes administrativos exigem documentação.
  • Preocupação com a autenticidade de documentos;
  • A identificação da origem é complexa, porém necessária.

Objetivos

  • Gerais
    • Realizar a classificação de documentos a partir de técnicas de Deep-Learning;
    • Considerar documentos impressos preto-e-branco e em cores;
    • Utilização de diferentes equipamentos;
    • Utilizar estratégias porpostas por (FERREIRA, 2017).

Objetivos

  • Específicos
    • Estudar as implicações da digitalização por diferentes ​ scanners;
    • Verificar os impactos do documento original ser preto e branco ou em cores;
    • Implementar um ambiente para a classificação de documentos.

Justificativa

  • Documentos impressos são extremamente comuns;
  • Grande facilidade de forja/falsificação:
    • Grande acesso a impressoras;
    • Impressoras laser se tornaram "baratas".
  • Definição de origem do documento;
  • Técnicas comumente utilizadas destroem o documento ou exigem conhecimento prévio;
  • Deep-Learning é uma alternativa vantajosa:
    • Não destrói documentos;
    • Não necessita de conhecimentos prévios

Metodologia

  • Primeiramente
    • Fundamentação teórica e bibliográfica;
    • Familiarização com ferramentas e técnicas a serem utilizadas
  • Implementação
    • Implementação;
    • Testes;
    • Ajustes
  • Relato de Resultados
    • Produção de artigo científico

Equipamento

  • Bibliográficos
    • Artigos, Livros, Monografias;
    • Internet e Biblioteca
  • Tecnológicos
    • Computador com softwares necessários para desenvolvimento do projeto;
    • APIs incorporadas;
    • Softwares de edição de texto.

Cronograma

TCC 1

TCC 2

TCC 3

Bibliografia

BONNIN, R. ​ Building Machine Learning Projects with TensorFlow ​ .Packt Publishing, 2016. ISBN 978-1-78646-658-7.


CÁNEPA, G. ​ What You Need to Know about Machine Learning ​ . Packt Publishing, 2016.


FERREIRA, A. et al. Data driven approaches for laser printer attribution. ​ IEEE Transactions on Information Forensics and Security ​ , v. 12, n. 8, p. 1860–1873, 2017.
 

FERREIRA, A. et al. Laser printer attribution: Exploring new features and beyond. Forensic Science International ​ , v. 247, p. 105 – 125, 2015. ISSN 0379-0738. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0379073814005064>.

Bibliografia

GOLLAPUDI, S. ​ Practical Machine Learning ​ . Packt Publishing, 2016. ISBN 978-1-78439-968-9.
JOSHI, P. ​ Python Machine Learning Cookbook ​ . Packt Publishing, 2016. ISBN 978-1-78646-447-7.
KIM, D.; HOU, J.; LEE, H. Learning deep features for source color laser printer identification based on cascaded learning. ​ CoRR ​ , abs/1711.00207, 2017.
Disponível em: <http://arxiv.org/abs/1711.00207>.
PYTHON. ​ The Python Standard Library ​ . Disponível em: <https://docs.python.org/3/library/index.html>.
TENSORFLOW. ​ All Symbols in Tensorflow ​ , versão 1.7, 2018. Disponível em: <https://www.tensorflow.org/api_docs/python/>.

Obrigado

[TCC 1] Apresentação Final

By Robson Cruz

[TCC 1] Apresentação Final

  • 67