CSSL-RHA：面向鲁棒笔迹认证的对比自监督学习
计算机视觉与模式识别
2023-07-24 v1 多媒体
摘要
笔迹认证是应用于欺诈防范与文化遗产保护等多个领域的实用工具。然而，由于特征复杂、严重损毁及缺乏监督，它仍是一项艰巨任务。本文提出一种新颖的面向鲁棒笔迹认证的对比自监督学习框架（CSSL-RHA）以解决上述问题。该框架能够动态学习复杂而重要的特征，并准确预测书写者身份。具体而言，为消除瑕疵与冗余的负面影响，我们设计了一种信息论滤波器用于预处理，并提出一种新颖的自适应匹配方案，将图像表示为由更重要特征主导的局部区域块。通过在推理时进行在线优化，最具信息量的块嵌入被识别为“最重要”元素。此外，我们采用基于动量范式的对比自监督训练，在无监督情况下学习手写数据更通用的统计结构。我们在五个基准数据集及手动标注的数据集 EN-HA 上进行了大量实验，证明了 CSSL-RHA 相较基线的优越性。另外，我们表明即便在数据伪造与损坏等异常情形下，所提模型仍能有效地完成认证。
引用
@article{arxiv.2307.11100,
title = {CSSL-RHA: Contrastive Self-Supervised Learning for Robust Handwriting Authentication},
author = {Jingyao Wang and Luntian Mou and Changwen Zheng and Wen Gao},
journal= {arXiv preprint arXiv:2307.11100},
year = {2023}
}
备注
10 pages, 4 figures, 3 tables, submitted to ACM MM 2023