利用协同元组损失进行多尺度特征学习的离线手写签名验证
计算机视觉与模式识别
2025-09-03 v5
摘要
手写签名验证对法律和金融机构至关重要，面临包括书写者间相似、书写者内差异及签名样本有限等挑战。为此，我们引入具有协同元组损失的多尺度签名特征学习网络(MS-SigNet)，这是一种为离线手写签名验证设计的新型度量学习损失。MS-SigNet 从多个空间尺度学习全局与局部签名特征，增强特征判别力。该方法通过捕捉整体笔画与详细局部差异，有效区分真实签名与熟练伪造签名。协同元组损失关注多个正例与负例，通过应对书写者间相似与书写者内差异并强调信息量大的样本，克服了典型度量学习损失的局限。代码见 https://github.com/ashleyfhh/MS-SigNet。我们还提出 HanSig，一个大规模中文签名数据集，以支持该语言下鲁棒系统的开发。数据集见 https://github.com/hsinmin/HanSig。在四种不同语言基准数据集上的实验结果表明，与最先进方法相比，我们的方法性能优异。
引用
@article{arxiv.2308.00428,
title = {Multiscale Feature Learning Using Co-Tuplet Loss for Offline Handwritten Signature Verification},
author = {Fu-Hsien Huang and Hsin-Min Lu},
journal= {arXiv preprint arXiv:2308.00428},
year = {2025}
}