طبقه بند خود سازمانده پویای شبه ناظر جدید مبتنی بر یادگیری فعال برای نهان کاوی در محیط ویدئو

علم مخفی کردن اطلاعات دریک دسته¬بندی کلی به سه شاخه رمزنگاری ، واترمارکینگ و نهان نگاری تقسیم می شود. نهان نگاری برای پنهان کردن اطلاعات به کار می رود و در مقابل آن نهان کاوی قرار دارد که برای کشف اطلاعات کاربرد دارد. سیگنال میزبانی که برای نهان¬نگاری انتخاب می شود معمولا به یکی از سه صورت تصویر، صوت و یا ویدئو می باشد. یک بررسی ساده نشان می¬دهد بیشترین تحقیق صورت گرفته تا به حال در حوزه تصویر بوده، کار انجام شده در زمینه صوت و ویدئو قابل مقایسه با تصویر نیست. در تمامی تحقیقاتی که پیش از این در حوزه ویدئو برای نهان کاوی اطلاعات صورت گرفته از روش های یادگیری باناظر برای طبقه بندی استفاده شده است. مشکل این روش نیاز آن به نمونه های برچسب دار برای آموزش طبقه بند می باشد، زیرا کد الگوریتم هایی که برای نهان نگاری به کار برده می شود به طور معمول در دسترس نبوده و این موضوع مخصوصا برای الگوریتم های نهان کاوی کور که باید برای محدوده ی وسیعی از الگوریتم های نهان نگاری جوابگو باشد، مشکل آفرین است. برای حل مشکل استفاده از داده های برچسب دار، در یک مورد از روش یادگیری شبه ناظر برای آموزش طبقه بند استفاده شده است. در این مرجع برای آموزش طبقه بند از تعدادی نمونه برچسب دار و تعداد بیشتری نمونه بدون برچسب استفاده شده است. هرچند نتایج شبیه سازی نشان دهنده ی دست یافتن به دقتی مشابه با روش های یادگیری با ناظر با تعداد کمتر داده های برچسب دار می باشد، اما اگر میزان نمونه های برچسب دار از 40 درصد کل نمونه ها کمتر شود دقت نهان کاو پیشنهادی به شدت افت می کند. در این تحقیق با ایجاد تغییر در ساختار طبقه بند مورد استفاده برای آموزش شبه ناظر و همچنین با استفاده از روش های یادگیری فعال حداقل داده ی برچسب دار برای فرآیند آموزش نهان کاو پیشنهادی به شرط افت غیر محسوس دقت نهان کاو انتخاب می شود.