Jun, 2024

关于使用一阶和二阶导数近似进行生物特征在线签名识别的研究

PDF
TL;DR通过对 MCYT330 在线签名数据库进行实验，研究了特征提取中不同的逼近方法对于模式识别应用的影响，特别关注了 delta 和 delta-delta 参数。结果显示，11 点逼近优于 1 点逼近，识别率提高了 1.4%，随机伪造减少了 36.8%，熟练伪造减少了 2.4%。
feature extractionapproximation methodspattern recognitiondelta-delta parametersidentification rate
发现论文，激发创造
  • 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

  • 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

  • 探索 Transformer 在在线手写签名验证中的应用

    本文研究了基于最新的 Transformers 架构对在线签名验证的适用性，并评估了四种不同的配置，结果表明 Transformers 对于在线签名验证有很大的潜力。

    Jul, 2023

  • 基于对称评估的关键点描述 —— 在生物识别中的应用

    通过模型化特征提取器描述关键点周围的邻域，使用有限展开来估计空间变化的方向，利用谐波函数来确定关键点位置并描述邻域的物体形状，这对传统纹理特征是一种新的补充和附加，具有显著的验证和识别能力。

    Nov, 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

    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

  • 指纹验证系统直接攻击评估

    研究了指纹识别系统在有或没有用户配合下直接攻击的漏洞，通过对真假指纹数据库上两个不同系统（细节和脊特征）的评估，根据指纹图像质量和在不同操作场景下获得的结果， 得出了一些关于系统的鲁棒性的统计显著观察结果。

    Dec, 2022

  • 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