SynSig2Vec:从合成动态签名中学习表示,用于实际验证
通过利用对数正态原理模拟复杂的神经运动控制过程,本文提出了一个框架来生成合成的 3D 空中签名,该技术可以在自动签名验证中支持决策制定,包括合成完全 3D 新签名的轨迹和速度、只有 3D 轨迹的动力学信息以及 3D 真实签名的重复样本。我们通过生成模拟真实数据库的合成 3D 签名数据库,并展示了与真实和合成数据库相似的真实和熟练伪造签名的自动签名验证性能,证实了我们的提议的有效性,并证明该提议对于合成 3D 空中书写和手势也是有效的。最后,一个感知测试确认了生成的样本的人类相似性。
Jan, 2024
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
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
DyG2Vec 是一种适用于动态图的自监督学习方法,利用窗口机制生成任务不可知的节点嵌入来预测未来的交互,并在标准数据集上显著优于现有的状态 - of-the-art 方法,并且只需要部分训练 / 推理时间,适用于少量标签的场景。
Oct, 2022
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
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
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
通过使用深度生成模型进行生成性攻击,本文探讨了其对数据驱动的签名验证 (DASV) 过程的影响,并提出了切实可行且可解释的对策。通过使用 Variational Auto-encoder (VAE) 和 Conditional Generative Adversarial Networks (CGAN) 来生成可以成功欺骗 DASV 的签名,并通过使用结构相似性指数测量 (SSIM) 评估生成图像的质量,并使用该指标来解释攻击的成功率。最后,提出了有效减少 DASV 的深度生成攻击影响的对策。
Dec, 2023
本文介绍了一种新颖的序列学习方法,即基于粗路径理论的签名方法,该方法通过嵌入将离散采样数据表示为路径。作者深入研究了三个数据集,并表明特定的 embedding 方法,称为 “lead-lag embedding”,在所有考虑的算法和数据集上表现最好。通过一个实证研究,作者还发现将整个路径域上的 signature 与其他简单算法相结合,可以达到与特定领域专门方法相竞争的结果。
Nov, 2019