論文の概要: Fragments-Expert: A Graphical User Interface MATLAB Toolbox for Classification of File Fragments

• arxiv url: http://arxiv.org/abs/2007.11246v1
• Date: Wed, 22 Jul 2020 08:03:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 22:47:14.954837
• Title: Fragments-Expert: A Graphical User Interface MATLAB Toolbox for Classification of File Fragments
• Title（参考訳）: Fragments-Expert:ファイルフラグの分類のためのグラフィカルユーザインタフェースMATLABツールボックス
• Authors: Mehdi Teimouri, Zahra Seyedghorban, Fatemeh Amirjani
• Abstract要約: Fragments-Expertは、ファイルフラグメントの分類のためのグラフィカルなユーザーインターフェイスツールボックスである。 ファイルフラグメントから抽出された22のカテゴリをユーザに提供する。 7つの機械学習アルゴリズムで様々なファイルフォーマットの分類を行うことができる。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification of file fragments of various file formats is an essential task in various applications such as firewalls, intrusion detection systems, anti-viruses, web content filtering, and digital forensics. However, the community lacks a suitable software tool that can integrate major methods for feature extraction from file fragments and classification among various file formats. In this paper, we present Fragments-Expert that is a graphical user interface MATLAB toolbox for the classification of file fragments. It provides users with 22 categories of features extracted from file fragments. These features can be employed by 7 categories of machine learning algorithms for the task of classification among various file formats.
• Abstract（参考訳）: 様々なファイルフォーマットのファイルフラグメントの分類は、ファイアウォール、侵入検知システム、アンチウイルス、webコンテンツフィルタリング、デジタル法医学といった様々なアプリケーションにおいて不可欠なタスクである。 しかし、コミュニティには、ファイルフラグメントからの機能抽出と、さまざまなファイルフォーマットの分類を統合できる適切なソフトウェアツールが欠けている。 本稿では,ファイルフラグメントの分類のためのグラフィカルユーザインタフェースMATLABツールボックスであるFragments-Expertを提案する。 ファイルフラグメントから抽出された22のカテゴリの機能を提供する。 これらの機能は、さまざまなファイルフォーマットの分類タスクのために、機械学習アルゴリズムの7つのカテゴリで利用することができる。

関連論文リスト

• USE: Universal Segment Embeddings for Open-Vocabulary Image Segmentation [33.11010205890195]
  オープン語彙のイメージセグメンテーションにおける大きな課題は、これらのセグメンテーションをテキスト定義カテゴリに正確に分類することにある。 この課題に対処するために、Universal Segment Embedding(USE)フレームワークを紹介します。 本フレームワークは,1)大量のセグメントテキストペアを様々な粒度で効率的にキュレートするように設計されたデータパイプライン,2)テキスト定義のカテゴリに精度の高いセグメント分類を可能にする普遍的なセグメント埋め込みモデルからなる。
  論文  参考訳（メタデータ） (2024-06-07T21:41:18Z)
• Malware Classification Based on Image Segmentation [0.0]
  本稿では,マルウェアの可視化と分類のための新しい手法を提案する。 マルウェアバイナリファイルから生成されたグレースケール画像を,セクションカテゴリに基づいてセグメント化する。 これらのサブイメージはマルチチャネルイメージとして扱われ、マルウェア分類のための深層畳み込みニューラルネットワークに入力される。
  論文  参考訳（メタデータ） (2024-06-06T08:05:20Z)
• SIFT -- File Fragment Classification Without Metadata [0.0]
  SIFTは、他の最先端技術よりも少なくとも8%優れています。 SIFTは単一のバイトを別の機能、すなわち256(0x00 - 0xFF)の機能として使用する。 他のものとは異なり、SIFTはこの目的のためにTF-IDFを適用し、フラグメント内の各バイト(機能)に重みを計算し割り当てる。
  論文  参考訳（メタデータ） (2023-10-05T18:27:53Z)
• SegGPT: Segmenting Everything In Context [98.98487097934067]
  コンテキスト内ですべてをセグメント化するモデルであるSegGPTを提示する。 様々なセグメンテーションタスクを汎用的なインコンテキスト学習フレームワークに統合する。 SegGPTは、コンテクスト内推論を通じて、画像やビデオの任意のセグメンテーションタスクを実行することができる。
  論文  参考訳（メタデータ） (2023-04-06T17:59:57Z)
• Towards Open-Vocabulary Video Instance Segmentation [61.469232166803465]
  Video Instanceは、ビデオ内のオブジェクトをクローズドなトレーニングカテゴリから分類し分類することを目的としている。 本稿では,オープンなカテゴリからビデオ内のオブジェクトを分割,追跡,分類することを目的とした,Open-Vocabulary Video Instanceの新たなタスクを紹介する。 Open-Vocabulary VISをベンチマークするために、我々は1,196の多様なカテゴリから、よく注釈付けされたオブジェクトを含む大語彙ビデオインスタンスデータセット(LV-VIS)を収集します。
  論文  参考訳（メタデータ） (2023-04-04T11:25:23Z)
• Open-world Semantic Segmentation via Contrasting and Clustering Vision-Language Embedding [95.78002228538841]
  本研究では,様々なオープンワールドカテゴリのセマンティックオブジェクトを高密度アノテーションを使わずにセマンティックオブジェクトのセマンティックオブジェクトのセマンティック化を学習するための,新しいオープンワールドセマンティックセマンティックセマンティックセマンティクスパイプラインを提案する。 提案手法は任意のカテゴリのオブジェクトを直接分割し、3つのベンチマークデータセット上でデータラベリングを必要とするゼロショットセグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2022-07-18T09:20:04Z)
• A Novel Plug-in Module for Fine-Grained Visual Classification [0.19336815376402716]
  本稿では,多くの一般的なバックボーンと一体化して,強力な識別領域を提供する新しいプラグインモジュールを提案する。 実験の結果,提案するプラグインモジュールは最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-08T12:35:58Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• MotifClass: Weakly Supervised Text Classification with Higher-order Metadata Information [47.44278057062421]
  そこで本研究では,テキスト文書をカテゴリ表面名のみを持つ事前定義されたカテゴリの集合に分類することを目的とした,弱教師付きテキスト分類の問題について検討する。 具体的には、異種情報ネットワークを介して文書とメタデータの関係をモデル化する。 そこで我々は,カテゴリ名と指示モチーフインスタンスに基づいて,カテゴリ適応モチーフインスタンスを選択し,擬似ラベル付きトレーニングサンプルを検索し,生成する,MotifClassという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-07T07:39:10Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)
• Static analysis of executable files by machine learning methods [0.0]
  本稿では,バイナリコンテンツの静的解析に基づいて,悪意のある実行ファイルを検出する方法について述べる。 実行可能ファイルの異なる領域から抽出された前処理およびクリーニングデータのステージを分析する。
  論文  参考訳（メタデータ） (2020-07-15T06:15:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。