Dec, 2017

使用自编码器和连体网络进行在线手写签名验证

PDF
TL;DR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。
automatic signature verificationglobal feature extractionneural networksattention mechanismsiamese network
发现论文，激发创造
  • 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

  • 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

  • 基于 Siamese 网络的深度学习人脸识别方法

    通过使用对比网络的方法，在没有标记的人脸图像的情况下，实现了接近监督基准的性能。

    Dec, 2023

  • 基于自监督学习的手写验证

    我们研究了应用于手写验证任务上的自监督学习方法，对比了多种生成式对比式自监督学习方法和手工特征提取器以及有监督学习在 CEDAR AND 数据集上的表现。结果显示，基于 ResNet 的变分自动编码器（VAE）在准确度上超越其他生成式方法，达到 76.3% 的准确度；而使用方差不变协方差正则化（VICReg）进行微调的 ResNet-18 在准确度上超越其他对比式方法，达到 78% 的准确度。使用预训练的 VAE 和 VICReg 进行下游的写作者验证任务，相对于 ResNet-18 有监督基准模型和 10% 的写作者标签，准确度相对提高了 6.7% 和 9%。

    May, 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

  • 使用循环神经网络和长度归一化路径签名实现在线签名验证

    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。

    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

  • 使用未标注数据进行多任务训练，以实现端到端手语手指拼写识别

    本研究提出了一个基于自动编码器和注意力机制的神经编码器 - 解码器模型用于视频中美国手语手指拼写字的自动识别，不需要帧级别的标签或手工特征，并且可以利用未标记数据来提高特征学习。该模型在无需训练标签的情况下，识别出视频序列中的手指拼写的单词，相对于以往的方法在独立标记和标记者自适应的手指拼写识别中分别获得了 11.6% 和 4.4% 的绝对字母准确率提高。

    Oct, 2017