基于深度卷积神经网络的写者无关特征学习用于离线签名验证
计算机视觉与模式识别
2016-12-02 v1 机器学习
摘要
在过去的几十年里，自动离线手写签名验证已从多个角度被研究，借鉴了笔迹学、计算机视觉、信号处理等领域的见解。尽管该领域取得了进展，构建能够区分真实签名与熟练伪造（针对特定签名制作的伪造）的分类器仍然困难。我们提出从特征学习的角度来解决这个问题。我们的假设是，在缺乏数据生成过程良好模型的情况下，最好从数据中学习特征，而不是使用与签名生成过程毫无相似之处的手工特征。为此，我们使用深度卷积神经网络以写者无关的形式学习特征，并利用该模型在另一组用户上获得特征表示，在那里我们训练写者相关分类器。我们在两个数据集上测试了我们的方法：GPDS-960和Brazilian PUC-PR。我们的实验结果表明，在一部分用户中学习的特征对其他用户具有区分性，包括跨不同数据集，在GPDS数据集上接近最先进水平，并在Brazilian PUC-PR数据集上改进了最先进水平。
引用
@article{arxiv.1604.00974,
title = {Writer-independent Feature Learning for Offline Signature Verification using Deep Convolutional Neural Networks},
author = {Luiz G. Hafemann and Robert Sabourin and Luiz S. Oliveira},
journal= {arXiv preprint arXiv:1604.00974},
year = {2016}
}
备注
Accepted as a conference paper to The International Joint Conference on Neural Networks (IJCNN) 2016