Fugu-MT 論文翻訳(概要): DeepSign: Deep On-Line Signature Verification

論文の概要: DeepSign: Deep On-Line Signature Verification

arxiv url: http://arxiv.org/abs/2002.10119v3
Date: Fri, 22 Jan 2021 15:53:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 04:22:23.540652
Title: DeepSign: Deep On-Line Signature Verification
Title（参考訳）: DeepSign: オンライン署名の深い検証
Authors: Ruben Tolosana, Ruben Vera-Rodriguez, Julian Fierrez and Javier Ortega-Garcia
Abstract要約: 本研究は,オンライン署名検証のための最先端深層学習手法の詳細な分析を行う。我々は、新しいDeepSignDBのオンライン手書き署名生体情報データベースを提示、記述する。我々は,オンライン手書き署名検証のタスクに対して,TA-RNN(Time-Aligned Recurrent Neural Networks)と呼ばれる最近のディープラーニングアプローチを適用し,評価する。
参考スコア（独自算出の注目度）: 6.5379404287240295
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Deep learning has become a breathtaking technology in the last years, overcoming traditional handcrafted approaches and even humans for many different tasks. However, in some tasks, such as the verification of handwritten signatures, the amount of publicly available data is scarce, what makes difficult to test the real limits of deep learning. In addition to the lack of public data, it is not easy to evaluate the improvements of novel proposed approaches as different databases and experimental protocols are usually considered. The main contributions of this study are: i) we provide an in-depth analysis of state-of-the-art deep learning approaches for on-line signature verification, ii) we present and describe the new DeepSignDB on-line handwritten signature biometric public database, iii) we propose a standard experimental protocol and benchmark to be used for the research community in order to perform a fair comparison of novel approaches with the state of the art, and iv) we adapt and evaluate our recent deep learning approach named Time-Aligned Recurrent Neural Networks (TA-RNNs) for the task of on-line handwritten signature verification. This approach combines the potential of Dynamic Time Warping and Recurrent Neural Networks to train more robust systems against forgeries. Our proposed TA-RNN system outperforms the state of the art, achieving results even below 2.0% EER when considering skilled forgery impostors and just one training signature per user.
Abstract（参考訳）: ディープラーニングはここ数年で、従来の手作りのアプローチを克服し、さまざまなタスクのために人間さえも、深層学習は息を吹き込む技術になりつつある。しかし、手書き署名の検証など一部のタスクでは、公開されているデータ量が少なく、ディープラーニングの真の限界をテストすることが難しい。公開データの欠如に加えて、異なるデータベースや実験プロトコルが通常考慮されているため、新しいアプローチの改善を評価することは容易ではない。本研究の主な貢献は次のとおりである。一オンライン署名検証のための最先端深層学習手法の詳細な分析を行う。二新たなDeepSignDBのオンライン手書き署名生体情報データベースを提示し、記述すること。三技術の現状と新規アプローチの公正な比較を行うため、研究コミュニティが使用する標準の実験的プロトコル及びベンチマークを提案する。 iv) オンライン手書き署名検証の課題に対して, TA-RNN(Time-Aligned Recurrent Neural Networks)と呼ばれる最近のディープラーニングアプローチを適用し, 評価する。このアプローチは、動的時間ウォーピングとリカレントニューラルネットワークの可能性を組み合わせて、より堅牢なシステムを偽造に対してトレーニングする。提案するTA-RNNシステムは,熟練したフォージェリー・インポスタとユーザ1人1回のトレーニングシグネチャを考えると,EERの2.0%以下で結果が得られる。

関連論文リスト

Position: Quo Vadis, Unsupervised Time Series Anomaly Detection? [11.269007806012931]
Timeseries Anomaly Detection (TAD)における機械学習奨学金の現状は、欠陥のある評価指標の持続的使用に悩まされている。本稿は,TADにおける現状を批判的に分析し,現在の研究の誤解を招きかねない軌跡を明らかにした。
論文参考訳（メタデータ） (2024-05-04T14:43:31Z)
Test-Time Training on Graphs with Large Language Models (LLMs) [68.375487369596]
グラフニューラルネットワーク(GNN)をトレーニングするための有望なアプローチとして,TTT(Test-Time Training)が提案されている。テキスト分散グラフ(TAG)上でのLLM(Large Language Models)の優れたアノテーション能力に着想を得て,LLMをアノテータとしてグラフ上でのテスト時間トレーニングを強化することを提案する。 2段階のトレーニング戦略は、限定的でノイズの多いラベルでテストタイムモデルを調整するように設計されている。
論文参考訳（メタデータ） (2024-04-21T08:20:02Z)
Leveraging Expert Models for Training Deep Neural Networks in Scarce Data Domains: Application to Offline Handwritten Signature Verification [15.88604823470663]
提案方式はオフライン手書き署名検証(OffSV)に適用される。特徴量に基づく知識蒸留(FKD)を利用したS-T構成の提案注目すべきなのは、このテクニックを使ってトレーニングされたモデルは、3つの一般的なシグネチャデータセット間で、教師モデルに匹敵するパフォーマンスを示すことだ。
論文参考訳（メタデータ） (2023-08-02T13:28:12Z)
Unsupervised Embedding Quality Evaluation [6.72542623686684]
SSLモデルは、他のドメインに転送された時に正常に動作するかどうか、しばしば不明である。安定した方法でデータを線形に分離することがいかに容易か、定量化できますか? 本稿では,自己教師付き学習における高次元幾何学構造理解の最近の進歩に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-26T01:06:44Z)
Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
論文参考訳（メタデータ） (2023-03-28T13:47:16Z)
Deep Learning Architecture for Automatic Essay Scoring [0.0]
本稿では、リカレントネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく新しいアーキテクチャを提案する。提案アーキテクチャでは, 単語埋め込みベクトルから, 単語n-gramの文脈的特徴を学習し, 捉える。提案方式は,他の深層学習に基づくAESシステムよりも格付け精度が高い。
論文参考訳（メタデータ） (2022-06-16T14:56:24Z)
Iterative Pseudo-Labeling with Deep Feature Annotation and Confidence-Based Sampling [127.46527972920383]
大規模で注釈付きデータセットが利用できない場合には、ディープニューラルネットワークのトレーニングは難しい。我々は、最も確実な教師なしサンプルを選択して、深層ニューラルネットワークを反復的に訓練することで、最近の反復的擬似ラベル技術であるDeep Featureを改善した。まず最初に、自己学習されたディープニューラルネットワークであるベースラインの最適な設定を確認し、異なる信頼しきい値に対してDeepFAを評価する。
論文参考訳（メタデータ） (2021-09-06T20:02:13Z)
Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
論文参考訳（メタデータ） (2021-05-16T03:30:03Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
COLAM: Co-Learning of Deep Neural Networks and Soft Labels via Alternating Minimization [60.07531696857743]
2つの目的の交互最小化によるDNNとソフトラベルの共学習本稿では,DNNとソフトラベルを相互に学習するCOLAMフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-26T17:50:20Z)
Learning From Multiple Experts: Self-paced Knowledge Distillation for Long-tailed Classification [106.08067870620218]
我々は,LFME(Learning From Multiple Experts)と呼ばれる自己評価型知識蒸留フレームワークを提案する。提案するLFMEフレームワークは,複数の'Experts'からの知識を集約して,統一された学生モデルを学ぶ。提案手法は,最先端の手法に比べて優れた性能が得られることを示す。
論文参考訳（メタデータ） (2020-01-06T12:57:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。