Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A CNN based architecture for forgery detection in administrative documents
University of Biskra, Algeria.
University of Biskra, Algeria.
University of Biskra, Algeria.
Blekinge Tekniska Högskola, Fakulteten för datavetenskaper, Institutionen för datavetenskap.ORCID-id: 0000-0002-4390-411X
2022 (Engelska)Ingår i: 2022 International Symposium on iNnovative Informatics of Biskra, ISNIB 2022, Institute of Electrical and Electronics Engineers (IEEE), 2022, s. 135-140Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

The use of digital documents is knowing a widespread in different daily administrative and economic transactions. Simultaneously, the forgery of many documents becomes a crime that costs billions to states and companies. Several researchers tried to develop techniques that automatically detect forged documents using machine learning and image processing. With the immense success of deep learning applications, we employ, in this work, a convolutional neural network architecture that uses a gathered dataset of forged and authentic administrative documents. The results obtained on our dataset of 493 documents reached 73.95% accuracy and 97.3% recall, surpassing the efficiency of the machine learning base methods. © 2022 IEEE.

Ort, förlag, år, upplaga, sidor
Institute of Electrical and Electronics Engineers (IEEE), 2022. s. 135-140
Nyckelord [en]
Deep learning, Forgery detection, Image processing, Convolutional neural networks, Learning systems, Network architecture, CNN-based architecture, Convolutional neural network, Digital Documents, Economic transactions, Forgery detections, Images processing, Machine-learning, Neural network architecture
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:bth-24483DOI: 10.1109/ISNIB57382.2022.10076089ISI: 000986982400024Scopus ID: 2-s2.0-85152434951ISBN: 9798350320657 (tryckt)OAI: oai:DiVA.org:bth-24483DiVA, id: diva2:1753789
Konferens
2022 International Symposium on iNnovative Informatics of Biskra, ISNIB 2022, Biskra, 7 December 2022 through 8 December 2022
Tillgänglig från: 2023-04-28 Skapad: 2023-04-28 Senast uppdaterad: 2025-09-30Bibliografiskt granskad

Open Access i DiVA

fulltext(563 kB)2741 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 563 kBChecksumma SHA-512
98f4cfc880a9351278cd56b5e4854e34c1cb77041b8b48f62e94e12caa708f650ebc7c84bb6fbd59011925456268b6eeb45b1da74ef9615d00bfac8e90285f4b
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Person

Cheddad, Abbas

Sök vidare i DiVA

Av författaren/redaktören
Cheddad, Abbas
Av organisationen
Institutionen för datavetenskap
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 2744 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 577 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf