使用深度卷积神经网络学习离线手写签名验证特征

May, 2017

使用深度卷积神经网络学习离线手写签名验证特征

Learning Features for Offline Handwritten Signature Verification using Deep Convolutional Neural Networks

Luiz G. Hafemann, Robert Sabourin, Luiz S. Oliveira

TL;DR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。

Abstract

Verifying the identity of a person using handwritten signatures is challenging in the presence of skilled forgeries, where a forger has access to a person's signature and deliberately attempt to imitate it. In offline (static) signature verification, the dynamic information of the signature writing process is lost, and it is difficult to design good feature

offline signature verification skilled forgery writer-independent format convolutional neural networks feature learning process

发现论文，激发创造

使用深度 CNN 分析离线签名验证学习的特征

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。

Jul, 2016

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

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

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

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

卷积识别模型特征与文本标签相结合的离线检测错误拼写的手写词

通过引入与文本进行比较的任务，我们提出了一个无限制的二元分类器，其中包括一个手写识别特征提取器和一个多模态分类头，该分类头将特征提取器的输出与输入文本的向量表示进行卷积。我们的模型的分类头完全基于使用最先进的生成对抗网络创建的合成数据进行训练。我们证明，与直接使用最先进的手写识别模型来解决任务相比，尽管保持高回收率，但分类器可以进行校准，使平均精确度提高了 19.5%。这种巨大的性能提升可以在利用人 - 环自动化的应用中带来显著的生产力增长。

Sep, 2023

SynSig2Vec：从合成动态签名中学习表示，用于实际验证

本文提出一种通过排名合成签名来学习动态签名表示的方法，以解决在自动签名验证中的高水平伪造攻击的问题。通过构建一个轻量级的一维卷积网络来学习排名，可以直接优化排名的平均精度，从而挖掘相对和细粒度的相似性，且无需从事实质的伪造行为即可进行训练，并在两个公共基准上远超过现有技术水平。

Nov, 2019