使用循环神经网络与长度归一化路径签名的在线签名验证
计算机视觉与模式识别
2017-05-22 v1
摘要
受循环神经网络（RNN）在序列建模中取得巨大成功的启发，我们引入了一种新颖的 RNN 系统以提高在线签名验证的性能。训练目标是直接最小化类内变化，并将熟练伪造签名与真实样本之间的距离推至给定阈值之上。通过反向传播训练信号，我们的 RNN 网络生成了具有期望度量的判别性特征。此外，我们提出了一种名为长度归一化路径签名（LNPS）的新颖描述符，并将其应用于在线签名验证。LNPS 具有有趣的性质，例如尺度不变性以及线性组合后的旋转不变性，并在在线签名验证中展现出有前景的结果。在公开可用的 SVC-2004 数据集上的实验取得了 2.37% 等错误率（EER）的最先进性能。
引用
@article{arxiv.1705.06849,
title = {Online Signature Verification using Recurrent Neural Network and Length-normalized Path Signature},
author = {Songxuan Lai and Lianwen Jin and Weixin Yang},
journal= {arXiv preprint arXiv:1705.06849},
year = {2017}
}
备注
6 pages, 5 figures, 5 tables