SEMI-SUPERVISED DEEP LEARNING APPROACH FOR BREAKING GEOCACHING CAPTCHAS
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F20%3APU136492" target="_blank" >RIV/00216305:26220/20:PU136492 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
SEMI-SUPERVISED DEEP LEARNING APPROACH FOR BREAKING GEOCACHING CAPTCHAS
Popis výsledku v původním jazyce
For nearly two decades, a substantial part of developed anti-abuse and anti-spam systems for web applications called CAPTCHA is based on imperfections in OCR (Optical Character Recognition) algorithms. But with improvements in Deep Learning in OCR, these systems are now obsolete. More and more systems can now break various text Captchas with great accuracy. Now with sufficient training dataset, almost every text-based Captcha scheme can be broken. The focus of this work is to present an idea of a semi-supervised method for reading text-based Captcha which needs only a small initial dataset. The main part of this article is dealing with the problem of training a deep learning system with only a small sample of target Captcha scheme via transfer learning.
Název v anglickém jazyce
SEMI-SUPERVISED DEEP LEARNING APPROACH FOR BREAKING GEOCACHING CAPTCHAS
Popis výsledku anglicky
For nearly two decades, a substantial part of developed anti-abuse and anti-spam systems for web applications called CAPTCHA is based on imperfections in OCR (Optical Character Recognition) algorithms. But with improvements in Deep Learning in OCR, these systems are now obsolete. More and more systems can now break various text Captchas with great accuracy. Now with sufficient training dataset, almost every text-based Captcha scheme can be broken. The focus of this work is to present an idea of a semi-supervised method for reading text-based Captcha which needs only a small initial dataset. The main part of this article is dealing with the problem of training a deep learning system with only a small sample of target Captcha scheme via transfer learning.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings II of the 26th Conference STUDENT EEICT 2020 - Selected papers
ISBN
978-80-214-5868-0
ISSN
—
e-ISSN
—
Počet stran výsledku
5
Strana od-do
166-170
Název nakladatele
Vysoké učené Technické, Fakulta elektrotechniky a komunikačních technologií
Místo vydání
Brno
Místo konání akce
BRNO
Datum konání akce
23. 4. 2020
Typ akce podle státní příslušnosti
CST - Celostátní akce
Kód UT WoS článku
000598376500039