OSVNet：用于书写者无关在线签名验证的卷积孪生网络
计算机视觉与模式识别
2019-05-22 v2
摘要
在线签名验证（OSV）是书写者识别与数字取证中最具挑战性的任务之一。由于较大的个体内变异性，迫切需要准确学习签名的个人内变化以实现更高的分类准确率。为此，本文提出一种基于深度卷积孪生网络（DCSN）的 OSV 框架。DCSN 基于度量损失函数自动提取鲁棒特征描述，该函数减小书写者内变异性（真迹-真迹）并增大个体间变异性（真迹-伪造），引导 DCSN 对在线签名进行有效判别表示学习，并将其扩展至一次学习框架。在三个广泛接受的基准数据集 MCYT-100（DB1）、MCYT-330（DB2）和 SVC-2004-Task2 上进行的综合实验证明了我们的框架区分真迹与伪造样本的能力。实验结果表明，与许多近期及最先进的 OSV 技术相比，基于深度卷积孪生网络的 OSV 实现了更低的错误率，证实了其实效性。
引用
@article{arxiv.1904.00240,
title = {OSVNet: Convolutional Siamese Network for Writer Independent Online Signature Verification},
author = {Chandra Sekhar and Prerana Mukherjee and Devanur S Guru and Viswanath Pulabaigari},
journal= {arXiv preprint arXiv:1904.00240},
year = {2019}
}
备注
accepted in International Conference on Document Analysis and Recognition (ICDAR 2019), University of Technology Sydney (UTS), Australia