May, 2019

基于笔迹特征选择与模糊相似度量的在线签名验证

HTML
PDF
TL;DR本文提出了一种基于区间符号表示和模糊相似度度量的在线签名验证(OSV)方法，该方法通过作者特定参数选择确定两个参数，即作者特定接受阈值和用于认证作者的最佳特征集，通过使用训练签名样本实现最小等错误率(EER)。该方法能够有效地提高准确性，具有很高的鲁棒性。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 脱机手写签名验证的多尺度全局和区域特征学习，利用共生成损失

    离线手写签名验证中，我们提出了多尺度全局和区域特征学习网络（MGRNet）和共同五元损失（co-tuplet loss）来解决签名相似性、变化性以及样本有限的挑战，同时通过HanSig数据集提供了一个稳健系统的大规模中文签名数据集，并且与其他最先进的方法相比，表现出了良好的性能。

    Aug, 2023

  • 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

  • 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

  • 可解释的离线自动签名验证器以支持法证书写鉴定人员

    我们提出了一种新颖的可解释的离线自动签名验证器 (ASV)，它基于由离线签名图像构建的通用背景模型 (UBM)。我们的ASV能够将质疑的签名与UBM和已知签名的参考集进行简单距离度量，从而解释验证器的决策，使其易于非专家理解，并且在性能方面具有竞争力。我们相信我们的ASV有潜力提高签名验证在法医科学和法律判决等关键应用领域的接受程度。

    May, 2024

  • 手写签名技术的透视分析

    手写签名作为生物特征在科学界引起了争议，过去40年来对签名研究的兴趣不断增长，主要参考应用自动签名验证，通过对过去10年手写签名技术的系统回顾，重点关注最有前景的研究领域，并试图引出可能的未来研究方向。

    May, 2024

  • 无参考离线自动签名验证中对签名的共同作者进行调查

    该论文研究了当没有参考签名可用时的自动签名验证问题，提出了三种方法来自动估计一组离线签名的共同作者，其中包括使用重复签名创建分数相似度矩阵的第一种方法，使用每对签名的特征距离矩阵的第二种方法，以及基于每个签名的复杂性进行预分类的最后一种方法。实验证明，这些方法的性能优于人工志愿者的表现。

    May, 2024

  • 基于特征解耦辅助变分自编码器的离线签名验证

    该研究解决了离线手写签名验证系统中真实签名与熟练伪造签名之间外观相似造成的识别困难，以及训练时缺乏熟练伪造实例的问题。文章提出了一种新型的签名验证方法，首次采用变分自编码器直接从签名图像中提取特征，并通过引入新的损失函数以提高特征的可区分性，使用支持向量机进行分类。实验结果显示，该方法相较于13种代表性方法有显著提升，表明其在实际应用中的强大潜力。

    Sep, 2024