Jul, 2016

使用深度 CNN 分析离线签名验证学习的特征

PDF
TL;DR通过使用深度卷积神经网络和 GPDS 数据集，本研究提出了一个更好的离线手写签名验证方法，它在记录一定个人签名技能的伪造签名的情况下取得了 2.74% 的等错误率，并对模型进行了视觉和错误分析。
offline handwritten signature verificationdeep convolutional neural networksgpds datasetequal error ratevisual analysis
发现论文，激发创造
  • 使用深度卷积神经网络学习离线手写签名验证特征

    使用卷积神经网络和特征学习过程，以写作人无关的方式对离线签名进行识别，从而提高系统性能和对技艺熟练的伪造的辨别能力。

    May, 2017

  • 离线手写签名验证：迁移学习与特征选择方法

    手写签名验证是生物识别和文件真实性方面的严峻挑战，最优特征选择和分类准确度显著提高了提出的离线签名验证方法的性能和结果验证预测向量。

    Jan, 2024

  • 在数据稀缺领域中利用专家模型训练深度神经网络：应用于离线手写签名验证

    该研究引入了一种新方法，在任务特定数据有限或不可用的领域中，利用现有专家模型的知识来训练新的卷积神经网络。该方案应用于脱机手写签名验证（OffSV），通过特征为基础的知识蒸馏（FKD）和全局相似性度量，仅使用手写文本数据来监督学生的训练，从而使得训练出的模型在三个常用签名数据集中达到与或超过教师模型的性能，而且在特征提取训练过程中无需使用任何签名，从而证明了利用现有专家模型克服 OffSV 和其他相关领域的数据稀缺性挑战的功效。

    Aug, 2023

  • 使用自编码器和连体网络进行在线手写签名验证

    本文提出了一种新颖的、面向自动签名验证任务的独立于作者的全局特征提取框架，其中包括一个自编码器和一个连体网络来实现样本的建模和分类，利用注意机制和降采样的技术，提高了框架的准确度，其简单性使其计算成本低，并且可以在 GPU、TPU 等设备上并行使用。在两个数据集上的实验表明，该方法相对于最佳报告结果取得了显著的准确度提高。

    Dec, 2017

  • 基于 1-D 卷积神经网络的联合学习在线签名验证

    提出了一个利用 1-D 卷积神经网络和联邦学习框架进行在线签名验证的新方法，实验结果证明了该框架在 1-D 卷积神经网络和联邦学习方面的有效性，具有最小化本地计算资源、通过丰富的初始化数据增强传递效果以及卓越的可伸缩性等特点。

    Jun, 2024

  • 现实世界文档中的离线签名验证

    本文提出了一种应用 CycleGAN 和 CNN 的方法来解决真实世界中信封被遮挡的离线签名验证问题，并通过运行实验验证了该方法的提高签名验证性能的有效性。

    Apr, 2020

  • 使用卷积神经网络学习表示的离线签名验证的共识阈值准则

    提出了一种基于一致性阈值距离分类器准则的离线依赖作者的签名验证方法，通过 SigNet 和 SigNet-F 深度卷积神经网络模型提取的特征，最小化了假接受率，并在多个数据集上进行了实验证明了该方法相比现有的文献成果，在减小误分类错误的同时，将冒充者获取敏感文档或交易的风险降到最低。

    Jan, 2024

  • DeepWriterID：一种端到端的在线无文本依赖的笔迹识别系统

    该研究引入了一个名为 DeepWriterID 的系统，该系统利用深度卷积神经网络进行笔迹、手写体识别，并引入了一种名为 DropSegment 的新方法来实现数据增强和改善 CNN 的泛化适用性。通过在笔放置状态下只使用笔位信息，该系统在 NLPR 手写数据库中实现了 95.72％的中文文本识别率和 98.51％的英文文本识别率，创造了新的最高记录。

    Aug, 2015

  • SigNet：用于作者无关的离线签名验证的卷积孪生网络

    使用卷积 Siamese 网络，Modi 等人提出了一种离线笔迹验证的方法，其在多语言脚本和手写风格的模拟中，能够显著优于现有数据集上的最新结果，这为进一步研究提供了奠定基础。

    Jul, 2017

  • 学习卷积神经网络进行人脸反欺骗

    本研究采用深度卷积神经网络（CNN）学习特征，在经过数据预处理后，能够大幅提高面部防欺诈性能，使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70％，同时在两个数据集之间的交叉测试中，实验结果表明 CNN 能够获得更好的泛化能力，使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。

    Aug, 2014