AI Summary & Key Takeaways
AI InsightIts promising investigation revealed complete data dependency consequences showing real attractive contribution opportunities to be remarked.
📌 3 Key Takeaways
Abstract
Watermarking is the process of embedding specific data to prove ownership copyright authentication. It is needed whenever media-files are used without proper permission is granted for authentication accuracy. The current watermarking challenge comes from the ownership proof especially as slight tampering occurs on the audio multimedia file which injure the watermarking causing difficulty in its copyright proof. This paper proposes utilizing counting-based secret sharing strategy to allow validation of ownership correctness watermarking even if some of the multimedia audio-file is interfered, as semi-authentication. The research testing run experimentations showed interesting features although this work is still in its early stage. The authentication verification researched secrecy on the audio’s media remarked data altered as on LSB 3 models (1-LSB, 2-LSB, 3-LSB) testing hiding capacity capability as well as PSNR security. Its promising investigation revealed complete data dependency consequences showing real attractive contribution opportunities to be remarked.
Özet
Filigran, sahiplik telif hakkı kimlik doğrulamasını kanıtlamak için belirli verileri gömme işlemidir. Kimlik doğrulama doğruluğu için uygun izin olmadan medya dosyalarını kullanırken gereklidir. Mevcut filigran sorunu, esas olarak sahiplik kanıtından kaynaklanmaktadır, çünkü ses multimedya dosyasında filigrana zarar veren ve telif hakkı kanıtında zorluklara neden olan hafif bir kurcalama meydana gelir. Bu makale, multimedya ses dosyasının bir kısmı kurcalanmış olsa bile, yarı kimlik doğrulama olarak, sahiplik özgünlük damgasının onaylanmasına izin vermek için sayıma dayalı gizli paylaşım stratejisinin kullanılmasını önermektedir. Araştırma testi çalıştırma deneyleri, bu çalışma hala erken aşamalarında olmasına rağmen ilginç özellikler gösterdi. Kimlik doğrulama doğrulaması, LSB 3 modellerinde (1-LSB, 2-LSB, 3-LSB) olduğu gibi, ses ortamındaki gizliliği, veri test edilmiş gizleme kapasitesini ve PSNR güvenliğini araştırdı. Umut vaat eden araştırması, dikkate alınması gereken gerçek çekici katkı fırsatlarını gösteren tam veri bağımlılığı sonuçlarını ortaya çıkardı.