Aug, 2023

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

PDF
TL;DR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。
handwritten signature verificationmultiscale global and regional feature learning networkco-tuplet losshansig datasetpromising performance
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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于对比损失的离线手写签名验证模型的白盒误报对抗攻击方法

    本文提出了一种新颖的攻击方法，将攻击视为相关但不同书写风格之间的风格转换，通过引入两个新的损失函数来指导欺骗性图像的生成，从而提高成功攻击率并确保最小扰动；我们的方法在白盒攻击的离线手写签名验证模型中表现出卓越的性能。

    Aug, 2023

  • 适应性离线五元组损失用于图像文本匹配

    本文介绍使用离线采样负样本与五元组损失函数来改进图像和文本匹配模型，并在 MS-COCO 和 Flickr30K 数据集上得到了显著的性能提升。

    Mar, 2020

  • 多尺度对比协同训练用于事件时间关系抽取

    MulCo 是一种用于更好地融合 BERT 和 GNN 对本地和全局上下文特征的技术，通过对比 GNN 多层多跳子图（全局上下文嵌入）和 BERT 输出（本地上下文嵌入），MulCo 实现了 GNN 和 BERT 模块的协同参数化。MulCo 在多个时间关系提取数据集上取得了新的最先进结果。

    Sep, 2022