May, 2017

使用循环神经网络和长度归一化路径签名实现在线签名验证

PDF
TL;DR该研究介绍了一个基于循环神经网络和新型描述子的在线签名验证系统，以最小化种内变差、推高假样本和真实样本之间的差距，并提取具有所需特征的 LNPS 描述子，最终在公开数据集中获得了 2.37% 的等误差率表现。
recurrent neural networkonline signature verificationdescriptorpath signatureequal error rate
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

  • 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

  • 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

  • 路径签名和图神经网络用于慢地震分析：更好的配合？

    通过将路径签名与图卷积神经网络相结合，利用路径签名进行特征提取和图卷积神经网络处理空间相互作用的优势，我们在慢地震序列分析和传感器网络分析方面的应用表明了方法的潜力。

    Feb, 2024

  • 在线字符识别的稀疏签名数组

    本文探讨了如何使用路径特征作为卷积神经网络的输入来提升在线字符识别的精度，并研究了路径特征中的迭代积分在网络中的应用。实验结果表明，在 CASIA-OLHWDB1.1、MNIST 等数据集上，使用稀疏 CNN 训练，可以得到较高的识别精度。

    Aug, 2013

  • 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

  • 使用具有 log signature 功能的 RNN 学习随机微分方程

    本研究提出了一种结合基于 signature 和 log-signature 的方法和循环神经网络的混合算法来学习流数据的功能逼近，其具有渐进复杂度低、训练速度快、精度高等优点，并在各数据集上得到了出色的准确性和鲁棒性。

    Aug, 2019

  • 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

  • 用于连续手语识别的全卷积网络

    本文提出了使用全卷积网络 (FCN) 实现在线手语识别的方法，同时从仅具有句子级注释的弱注释视频序列中学习空间和时间特征，通过引入一个手语特征增强 (GFE) 模块来提高序列对齐学习的效果，实验表明该方法在连续手语识别上有效且在在线识别中表现出了较好的性能。

    Jul, 2020