Coinw répertorie la pièce MEME basée à Solana RFC (Retard Finder Coin), ouvre RFC / USDT Trading

RFC est un jeton de mème construit sur la blockchain Solana, émis par le compte Twitter @IFIndRetards. Connu pour son commentaire satirique et son engagement

CoinW, a renowned crypto trading platform, has announced the listing of Retard Finder Coin (RFC), a Solana-based meme coin known for its satirical Twitter commentary and community engagement. The exchange will commence trading of the RFC/USDT pair at 1:00 pm (UTC+8) on April 9th. To celebrate the listing of RFC, CoinW is hosting the “RFC Bounty Program” event with a reward pool of $5,000 USDT.

Coinw, une plate-forme de trading de crypto renommée, a annoncé la liste de Retard Finder Coin (RFC), une pièce de monnaie basée sur Solana connue pour ses commentaires satiriques Twitter et son engagement communautaire. La bourse commencera le trading de la paire RFC / USDT à 13h00 (UTC + 8) le 9 avril. Pour célébrer la liste de RFC, Coinw organise l'événement «RFC Bounty Program» avec un pool de récompense de 5 000 $ USDT.

Beginning at 5:00 (UTC) on April 9th and concluding at 16:00 (UTC) on April 16th, members of the CoinW community can participate in various events to win a share of the 5,000 USDT prize pool. Registration on the CoinW platform, trading the newly listed RFC/USDT pair, and engaging in community events on Telegram and Twitter will contribute to earning rewards.

À partir de 17h00 (UTC) le 9 avril et concluant à 16h00 (UTC) le 16 avril, les membres de la communauté Coinw peuvent participer à divers événements pour remporter une part du prix de 5 000 USDT. L'inscription sur la plate-forme Coinw, l'échange de la paire RFC / USDT nouvellement répertoriée, et s'engager dans des événements communautaires sur Telegram et Twitter contribueront à gagner des récompenses.

Created by the popular Twitter account @ifindretards, which boasts over 700,000 followers known for its satirical commentary and engagement with a vast community of followers, including frequent interactions with well-known Twitter celebrities. The account has gained immense attention for its humorous takes on cryptocurrency and online culture.

Créé par le compte Twitter populaire @IfindRetards, qui compte plus de 700 000 abonnés connus pour ses commentaires satiriques et son engagement avec une vaste communauté d'adeptes, y compris des interactions fréquentes avec des célébrités de Twitter bien connues. Le compte a attiré une immense attention pour ses prises humoristiques sur la crypto-monnaie et la culture en ligne.

According to CoinW Research, RFC is a community-driven meme coin without functional utility but has attracted significant attention due to its unique social media narrative. It follows a fair launch model, with 96% of the total supply distributed to the community and only 4% allocated to the developer wallet for liquidity.

Selon Coinw Research, RFC est une pièce de monnaie axée sur la communauté sans utilité fonctionnelle mais a attiré une attention significative en raison de son récit unique des médias sociaux. Il suit un modèle de lancement équitable, avec 96% de l'approvisionnement total distribué à la communauté et seulement 4% alloué au portefeuille du développeur pour la liquidité.

After a successful community vote on April 1st, 2025, to determine the best time for listing, CoinW will be introducing the listing of Retard Finder Coin (RFC).

Après un vote communautaire réussi le 1er avril 2025, pour déterminer le meilleur moment pour la liste, Coinw introduira la liste de Retard Finder Coin (RFC).

Applied Sciences Department, Faculty of Science, University of Technology, Malaysia

Département des sciences appliquées, Faculté des sciences, Université de technologie, Malaisie

บทความวิชาการ

Article académique

บทความเต็ม (pdf) พร้อม บรรณาธิคมบทความ

Articles complets (PDF) avec les articles

available in

disponible dans

English

Anglais

บทความนี้

Cet article

In this paper, we propose a novel approach for blind image watermarking using a hybrid deep learning architecture. The proposed method combines the strengths of convolutional neural networks (CNNs) and recurrent neural networks (RNNs) to embed and extract watermarks in a robust and efficient manner. CNNs are used to extract spatial and spectral features from the cover image, while RNNs are used to model the temporal dependencies among the extracted features. The watermark is then embedded into the cover image using a specially designed embedding module, which minimizes the perceptual distortion of the stamped image. To extract the watermark, a decoder network is designed to recover the watermark bits from the stamped image. Experimental results demonstrate that the proposed method outperforms existing methods in terms of both robustness and imperceptibility. The method is robust to common image processing attacks, such as Gaussian noise, JPEG compression, and scaling. Moreover, the proposed method can achieve high imperceptibility, rendering the embedded watermark invisible to the naked eye.

Dans cet article, nous proposons une nouvelle approche pour le filigrane d'image aveugle à l'aide d'une architecture hybride en profondeur. La méthode proposée combine les forces des réseaux de neurones convolutionnels (CNN) et des réseaux de neurones récurrents (RNN) pour intégrer et extraire des filigranes de manière robuste et efficace. Les CNN sont utilisés pour extraire les caractéristiques spatiales et spectrales de l'image de couverture, tandis que les RNN sont utilisés pour modéliser les dépendances temporelles entre les caractéristiques extraites. Le filigrane est ensuite intégré à l'image de couverture à l'aide d'un module d'incorporation spécialement conçu, qui minimise la distorsion perceptuelle de l'image estampillée. Pour extraire le filigrane, un réseau de décodeur est conçu pour récupérer les bits de filigrane de l'image estampillée. Les résultats expérimentaux démontrent que la méthode proposée surpasse les méthodes existantes en termes de robustesse et d'imperceptibilité. La méthode est robuste aux attaques de traitement d'images courantes, telles que le bruit gaussien, la compression JPEG et la mise à l'échelle. De plus, la méthode proposée peut atteindre une imperceptibilité élevée, rendant le filigrane intégré invisible à l'œil nu.

This paper proposes a novel approach for blind image watermarking using a hybrid deep learning architecture. The proposed method combines the strengths of convolutional neural networks (CNNs) and recurrent neural networks (RNNs) to embed and extract watermarks in a robust and efficient manner. CNNs are used to extract spatial and spectral features from the cover image, while RNNs are used to model the temporal dependencies among the extracted features. The watermark is then embedded into the cover image using a specially designed embedding module, which minimizes the perceptual distortion of the stamped image. To extract the watermark, a decoder network is designed to recover the watermark bits from the stamped image. Experimental results demonstrate that the proposed method outperforms existing methods in terms of both robustness and imperceptibility. The method is robust to common image processing attacks, such as Gaussian noise, JPEG compression, and scaling. Moreover, the proposed method can achieve high imperceptibility, rendering the embedded watermark invisible to the naked eye.

Cet article propose une nouvelle approche pour le filigrane d'image aveugle à l'aide d'une architecture hybride en profondeur. La méthode proposée combine les forces des réseaux de neurones convolutionnels (CNN) et des réseaux de neurones récurrents (RNN) pour intégrer et extraire des filigranes de manière robuste et efficace. Les CNN sont utilisés pour extraire les caractéristiques spatiales et spectrales de l'image de couverture, tandis que les RNN sont utilisés pour modéliser les dépendances temporelles entre les caractéristiques extraites. Le filigrane est ensuite intégré à l'image de couverture à l'aide d'un module d'incorporation spécialement conçu, qui minimise la distorsion perceptuelle de l'image estampillée. Pour extraire le filigrane, un réseau de décodeur est conçu pour récupérer les bits de filigrane de l'image estampillée. Les résultats expérimentaux démontrent que la méthode proposée surpasse les méthodes existantes en termes de robustesse et d'imperceptibilité. La méthode est robuste aux attaques de traitement d'images courantes, telles que le bruit gaussien, la compression JPEG et la mise à l'échelle. De plus, la méthode proposée peut atteindre une imperceptibilité élevée, rendant le filigrane intégré invisible à l'œil nu.

Image watermarking is an important technique for protecting digital content. It involves embedding a watermark signal into a cover image to identify the copyright holder or track the usage of the image. The watermark should be robust to common image processing attacks, such as Gaussian noise, JPEG compression, and scaling. At the same time, the watermark should be imperceptible to avoid affecting the visual quality of the image.

Le filigrane d'image est une technique importante pour protéger le contenu numérique. Il s'agit d'incorporer un signal de filigrane dans une image de couverture pour identifier le support de droit d'auteur ou suivre l'utilisation de l'image. Le filigrane doit être robuste aux attaques de traitement d'images courantes, telles que le bruit gaussien, la compression JPEG et la mise à l'échelle. Dans le même temps, le filigrane doit être imperceptible pour éviter d'affecter la qualité visuelle de l'image.

Deep learning has achieved promising results in various low-level vision tasks, such as image denoising, super-resolution, and image manipulation detection. Recently, deep learning methods have also been applied to image watermarking. Convolutional neural networks (CNNs) are good at extracting spatial and spectral features from images, while recurrent neural networks (RNNs) are suitable for modeling temporal dependencies among data.

L'apprentissage en profondeur a obtenu des résultats prometteurs dans diverses tâches de vision de bas niveau, telles que le débrotage d'image, la super-résolution et la détection de manipulation d'image. Récemment, des méthodes d'apprentissage en profondeur ont également été appliquées au filigrane d'image. Les réseaux de neurones convolutionnels (CNN) sont bons pour extraire les caractéristiques spatiales et spectrales d'images, tandis que les réseaux de neurones récurrents (RNN) conviennent à la modélisation des dépendances temporelles entre les données.

In this paper, we propose a hybrid deep learning architecture for blind image watermarking, which combines the strengths of CNNs and RNNs. CNNs are used to extract features from the cover image, and RNNs are used to embed the watermark into the extracted features. A specially designed embedding module is proposed to minimize the perceptual distortion of the stamped image. To extract the

Dans cet article, nous proposons une architecture hybride en profondeur pour le filigrane d'image aveugle, qui combine les forces des CNN et des RNN. Les CNN sont utilisés pour extraire les fonctionnalités de l'image de couverture, et les RNN sont utilisés pour intégrer le filigrane dans les caractéristiques extraites. Un module d'incorporation spécialement conçu est proposé pour minimiser la distorsion perceptuelle de l'image estampillée. Pour extraire le