从波斯语手写体学习表征用于离线签名验证：一种深度迁移学习方法
计算机视觉与模式识别
2019-08-09 v1 机器学习
机器学习
摘要
离线签名验证(OSV)是一项具有挑战性的模式识别任务，尤其是当其被期望对训练时不可得的熟练伪造签名具有良好的泛化能力时。其挑战还包括训练样本少和类内差异大。考虑到这些局限，我们提出一种从波斯语手写体领域到多语言 OSV 领域的新型迁移学习方法。我们在源领域基于词分类和书写者识别两个不同的任务分别训练两个残差 CNN(Residual CNN)。由于识别个人签名类似于识别其手写体，使用手写体进行特征学习阶段似乎十分合适。在更具多样性和更充足的手写体数据集上学习到的表征可弥补原始任务（即 OSV）中训练数据的不足，且不牺牲泛化能力。我们提出的 OSV 系统包括两步：学习表征与输入签名验证。第一步，将签名图像送入训练好的残差 CNN；随后利用输出表征训练 SVM 用于验证。我们在三个不同的签名数据集上测试了 OSV 系统，包括 MCYT（西班牙签名数据集）、UTSig（波斯语数据集）和 GPDS-Synthetic（人工数据集）。在 UT-SIG 上，我们取得了 9.80% 的等错误率(EER)，较文献中最佳 EER 17.45% 有显著提升。所提方法在 GPDS-Synthetic 上以 6.81% 超越最先进水平(state-of-the-art, SOTA) 6%。在 MCYT 上取得 3.98% 的 EER，与先前报道的最佳结果相当。
引用
@article{arxiv.1903.06249,
title = {Learning Representations from Persian Handwriting for Offline Signature Verification, a Deep Transfer Learning Approach},
author = {Omid Mersa and Farhood Etaati and Saeed Masoudnia and Babak N. Araabi},
journal= {arXiv preprint arXiv:1903.06249},
year = {2019}
}