使用深度CNN分析离线签名验证中学习到的特征
计算机视觉与模式识别
2017-05-17 v2 机器学习
摘要
离线手写签名验证的研究探索了多种手工设计的特征提取器，涵盖笔迹学、纹理描述符到兴趣点。尽管在过去几十年中取得了进展，但在针对熟练伪造（即针对特定个人的签名伪造）测试系统时，此类系统的性能仍远未达到最优。在先前的研究中，我们提出了一种问题的表述方式，使用深度卷积神经网络（CNN）以与书写者无关的格式从数据（签名图像）中学习特征，旨在提升该任务的性能。在本研究中，我们进一步提升了该方法的性能，探索了一系列架构，并在该任务最大的公开数据集GPDS数据集上取得了当前最优性能的大幅提升。在GPDS-160数据集上，我们获得了2.74%的等错误率，而已有文献中发表的最佳结果（使用了多个分类器的组合）为6.97%。我们还对模型学习到的特征空间进行了可视化分析，并对分类器产生的错误进行了分析。我们的分析表明，该模型在区分具有不同全局外观的签名时非常有效，但对于与真实签名极其相似的伪造签名（即使其线条质量很差，如缓慢描摹的伪造签名）则特别容易受到欺骗。
引用
@article{arxiv.1607.04573,
title = {Analyzing features learned for Offline Signature Verification using Deep CNNs},
author = {Luiz G. Hafemann and Robert Sabourin and Luiz S. Oliveira},
journal= {arXiv preprint arXiv:1607.04573},
year = {2017}
}
备注
Accepted as a conference paper to ICPR 2016