从尺寸不一的离线手写签名中学习固定尺寸表示

近期文献已成功提出用于离线手写签名验证的特征表示学习方法，利用深度卷积神经网络从签名像素中学习表示。此类方法相比手工特征提取器报告了大幅性能提升。然而，它们也引入了一个重要约束：神经网络的输入必须具有固定尺寸，而不同用户的签名尺寸差异显著。本文我们提出通过修改网络架构、使用空间金字塔池化，从可变尺寸签名中学习固定尺寸表示来解决此问题。我们还研究了用于训练的图像分辨率的影响，以及将表示适配（微调）到新运行条件（不同的采集协议，如书写工具和扫描分辨率）的影响。在 GPDS 数据集上，我们取得了与最先进方法相当的结果，同时去除了待处理签名必须具有最大尺寸的约束。我们还表明，当可用来自部分用户的熟练伪造签名进行特征学习时，使用更高分辨率（300 或 600dpi）可提升性能，但若仅使用真实签名则可采用较低分辨率（约 100dpi）。最后，我们展示了当运行条件改变时，微调可改善性能。