GAFSV-Net：用于在线签名验证的视觉框架
计算机视觉与模式识别
2026-05-04 v1 密码学与安全
机器学习
摘要
在线签名验证（OSV）需要在高内样本变异性和极少的注册样本下区分熟练的伪造样本和真实样本。现有的深度学习方法直接处理原始时序序列，将其限制于1D架构，无法使用预训练的2D视觉主干网络。我们通过GAFSV-Net弥合了这一差距，该网络将每个签名表示为六通道非对称Gramian Angular Field图像：三个力学通道（笔速度、压力导数、方向角）分别编码为互补的GASF和GADF矩阵，分别捕获两两时序共现和方向转换结构。双分支ConvNeXt-Tiny编码器独立处理GASF和GADF，采用双向交叉注意力使每个分支在指示空间投影前查询来自另一分支的判别性模式。训练采用半硬三角损失，引入熟练伪造硬负样本；验证通过余弦相似度对小型注册原型进行。我们在DeepSignDB和BiosecurID上进行评估，超越所有在相同目标下训练的序列基线，证明了2D时序编码的表征性提升是一致且独立于训练程序的，消融实验阐明了每种设计选择的贡献。
引用
@article{arxiv.2605.00120,
title = {GAFSV-Net: A Vision Framework for Online Signature Verification},
author = {Himanshu Singhal and Suresh Sundaram},
journal= {arXiv preprint arXiv:2605.00120},
year = {2026}
}