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/>.