- 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。
- SVVAD:用于说话人验证的个人语音活动检测
我们提出了一种基于说话人验证的语音活动检测框架,实现了无标签训练方法并使用三元损失来适应 SV 中最具信息的声学特征。结果表明,相对于传统方案,该框架在混合说话人的条件下明显提高了等误差率,并揭示了人类判断中不同语音部分的重要性。
- 基于距离的欺骗定位等误差率
本文提出基于范围的均等错误率来评估欺骗定位表现的新指标,并使用二分搜索算法与传统的基于点的均等错误率进行比较,结果表明使用正确的时间分辨率的点均等错误率或者基于范围的均等错误率都可以公正和准确地评估欺骗定位表现。
- 欺骗对抗措施与自动说话人识别的串联评估:基础
本文旨在对串联检测费用函数的应用进行扩展,作为一种基于风险的方法评估自动说话者验证系统中虚假对抗性攻击的可靠性,希望采用此方法能够促进反欺诈和自动说话者验证国际社区之间的更紧密合作。
- 基于循环神经网络的自由键入按键数据用户认证
这篇论文提出了一种基于 RNN 的按键动态生物识别方法,通过对两个相邻按键的输入序列和实际打字时间的目标序列进行处理,获得了比短文本和固定长度文本更好的认证性能和稳定性。
- 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。
- 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。
- BOSARIS 工具包:应对新 DCF 的理论、算法和代码
该论文介绍了基于 NIST DCF 评价标准的算法,该算法针对大规模数据集提供了解决方案,包括范式化贝叶斯误差率曲线分析、新的评分文件格式和更快的逻辑回归优化器等。