“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.
Autorstvo-Nekomercijalno-Deliti pod istim uslovima 3.0 Srbija (CC BY-NC-SA 3.0)
Academic metadata
Doktorska disertacija
Prirodno-matematičke nauke
doktor nauka - računarske nauke
Univerzitet Crne Gore
Prirodno-matematički fakultet
Studijski program Računarske nauke
Other Theses Metadata
Digital audio watermarking using deep neural networks
[K. Pavlović]
PDF/A (181 list)
Đurović, Igor, 1971- (mentor)
Mosurović, Milenko, 1968- (član komisije)
Kvaščev, Goran, 1975- (član komisije)
Popović-Bugarin, Vesna, 1978- (član komisije)
Jovančević, Igor (član komisije)
U ovoj disertaciji predložen je novi obrazac za kreiranje sistema vodenog žiga za digitalne audio signale, koji se zasniva na dubokom učenju. Rezultati istraživanja ukazuju da sistemi implementirani prema ovom obrascu ostvaruju visoku otpornost na ražličite audio efekte, bež žnačajnog narusavanja kvaliteta signala prilikom dodavanja vodenog žiga.
This dissertation proposes a novel framework for creating audio watermarking systems based on deep learning. Research results indicate that systems implemented according to this framework achieve high resilience to various audio effects, without significantly compromising signal quality during watermark embedding.
sistemi vodenog žiga, zaštita autorskih prava i autentičnosti, duboko učenje, konvolučione neuronske mreže, audio efekti
watermarking systems, copyright and authenticity protection, deep learning, convolutional neural networks, audio effects
621.391:004(043.3)
Serbian
34173444
tekst
U ovoj disertaciji predložen je novi obrazac za kreiranje sistema vodenog žiga za digitalne audio signale, koji se zasniva na dubokom učenju. Rezultati istraživanja ukazuju da sistemi implementirani prema ovom obrascu ostvaruju visoku otpornost na ražličite audio efekte, bež žnačajnog narusavanja kvaliteta signala prilikom dodavanja vodenog žiga.