基于 CNN 多损失快照集成的多表征学习用于离线签名验证
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，尤其在训练时不可得熟练伪造签名的情况下。本研究旨在通过考察卷积神经网络（CNN）的不同损失函数来解决其挑战并满足 OSV 对泛化的实质需求。我们采用面向 OSV 的新方法并提出两个问题：1. 哪种分类损失为 OSV 中的特征学习提供更强泛化性？2. 将不同损失整合为统一的多损失函数如何导向改进的学习框架？这些问题基于对三种损失函数（包括交叉熵、Cauchy-Schwarz 散度和铰链损失）的分析进行研究。根据这些损失的互补特性，我们将它们组合为一个动态多损失函数，并提出一种新颖的集成框架以在 CNN 中同时使用它们。我们提出的多损失快照集成（MLSE）由若干顺序试验组成。在每次试验中，从多损失集中选出一个主导损失函数，其余损失充当正则化器。不同试验基于签名识别任务为每个输入学习多样的表征。随后该多表征集被用于验证任务。在这些表征上训练 SVM 集成，并最终依据为每个用户选择最具泛化性的 SVM 来组合其决策。我们基于 OSV 的两种不同协议（即写者相关与写者无关）在三个签名数据集 GPDS-Synthetic、MCYT 和 UT-SIG 上进行了两组实验。基于写者相关 OSV 协议，我们相较文献中的最佳等错误率（EER）取得了显著改进。第二组实验的结果也证实了系统对新注册用户的鲁棒性。
引用
@article{arxiv.1903.06536,
title = {Multi-Representational Learning for Offline Signature Verification using Multi-Loss Snapshot Ensemble of CNNs},
author = {Saeed Masoudnia and Omid Mersa and Babak N. Araabi and Abdol-Hossein Vahabie and Mohammad Amin Sadeghi and Majid Nili Ahmadabadi},
journal= {arXiv preprint arXiv:1903.06536},
year = {2019}
}