본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

Contents

ABSTRACT 8

Ⅰ. INTRODUCTION 10

Ⅱ. BACKGROUND 12

1. Consumer-level 3D Printer 12

2. Abuse Cases of 3D Prints 14

3. Printer Characterization Factors 16

1) Pattern noise 16

2) Random noise 17

Ⅲ. DATASET 18

1. PreParation 18

2. Collect 3D Prints 19

3. Digital capture of 3D prints 22

1) Close-up image acquisition 22

2) Full object image acquisition 23

Ⅳ. SOURCE IDENTIFICATION TASKS 26

1. Printer Model Identification 27

2. Filament Material Identification 27

3. Quality Parameter Identification 28

4. Device-level Identification 28

5. Scan-and-reprint Detection 29

Ⅴ. EXPERIMENTAL SETUP 30

1. Evaluation protocol 30

A. Select data type 30

B. Separation of data for cross-validation 30

C. Evaluation per task 31

2. Proposed approach 31

Ⅵ. RESULTS 34

1. Comparison test 36

2. Impact of Different Geometries 37

3. Printer Model Identification 38

4. Filament Matrial Identification 39

5. Quality Parameter Identification 40

6. Device-level Identification 41

7. Scan-and-reprint Detection. 43

8. Printer Fingerprint matching 44

Ⅶ. DISCUSSION AND CONCLUSION 46

Ⅷ. REFERENCES 48

Abstract 55

List of Tables

Table 1. FDM-based 3D printer models included in 3DP dataset 20

Table 2. Filament types used in 3DP dataset 20

Table 3. Details of the close-up image dataset and available tasks for each image set. 25

Table 4. Overall performance results for each task 35

Table 5. The printer identification performance with different geometric shapes 36

Table 6. Quality parameter identification results based on, close-up image dataset, and full object image. 40

Table 7. Ablation results of the proposed multitask-multimodal approach for device-level identification task D. 42

List of Figures

Figure 1. Example of abuse cases of 3D Prints: (a) unauthorized 3D printed firearm production [48], (b) fingerprint generation [6], (c) illegal distribution... 15

Figure 2. Fabricated 3D objects for our dataset 21

Figure 3. Data samples from the 3DP dataset. 23

Figure 4. Samples of close-up images for (top) filament type verses quality parameter, and (down) texture type. 24

Figure 5. 3DP close-up image statistics. (left to right) filament, printer model, object model, and quality type. 25

Figure 6. Schematic illustration of the proposed baseline approach. 33

Figure 7. (a) Evaluation results by varying the ensemble ratio of close-up image and full object image, (b) the overall precision by varying the... 35

Figure 8. Printer model identification results based on, (a) close-up image dataset, and (b) full object image. 38

Figure 9. Filament material identification results based on, (a) close-up image dataset, and (b) full object image. 39

Figure 10. Confusion matrix of device-level identification: (a) objective: D, image: sc, (b) objective: D+P, image: sc+sf.[이미지참조] 42

Figure 11. Histogram of feature distances. Lower value implies the same printer model. 45

초록보기

 이 논문은 3D 프린트된 객체의 출처 식별에 대한 심층 연구를 위해 데이터베이스 및 벤치마크를 활용한 콘텐츠 보안 프레임워크를 구축함으로써 새로운 3D 콘텐츠 시장의 기반을 마련한다. 제안된 벤치마크인 3DP 데이터셋은 일반화된 멀티미디어 포렌식 기술을 제공한다. 3D 프린팅 객체의 출처를 식별하는 것이 프린팅 과정에서 발생하는 다양한 보이지 않는 흔적에서 비롯될 수 있다고 가정하고, 18개의 다른 프린팅 설정에서 프린트된 252개의 객체의 클로즈업 이미지와 전체 객체 이미지를 획득한다. 제공된 데이터셋을 사용하여 디바이스 식별 및 스캔-재출력 탐지와 같은 다섯 가지 도전적인 과제를 포함하는 벤치마크를 제안한다. 우리의 기준 모델은 프린터 유형과 그 속성이 표면 질감의 미세한 차이를 기반으로 식별될 수 있음을 보여준다. 클로즈업 이미지와 같은 미시적인 관점만이 프린터 모델을 식별하는 데 유용하다는 기존의 생각과 달리, 우리는 상대적으로 거시적인 관점에서도 일정 수준의 성능을 달성했다. 그 후, 다양한 이미지 모달리티와 과제에서 풍부한 지식을 활용하기 위해 디바이스 식별 과제를 위한 multitask-multimodal 아키텍처를 제안한다. 3DP 데이터셋은 디지털 포렌식 및 지적 재산 보호와 관련된 미래의 심층 연구를 촉진할 수 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차