論文の概要: A white-box analysis on the writer-independent dichotomy transformation applied to offline handwritten signature verification

• arxiv url: http://arxiv.org/abs/2004.03370v2
• Date: Tue, 14 Apr 2020 17:51:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:55:45.410259
• Title: A white-box analysis on the writer-independent dichotomy transformation applied to offline handwritten signature verification
• Title（参考訳）: オフライン手書き署名検証における書き手非依存二分法変換のホワイトボックス解析
• Authors: Victor L. F. Souza, Adriano L. I. Oliveira, Rafael M. O. Cruz, Robert Sabourin
• Abstract要約: ライター非依存(WI)フレームワークは、すべてのライターに対して署名検証を行うために単一のモデルをトレーニングするために使用される。 WIシステムでは、二分法変換によって生成された異種性空間から全ての著者に対して署名検証を行うために単一のモデルを訓練する。 本手法のホワイトボックス解析では,その課題の扱い方,融合関数による参照の動的選択,および伝達学習への応用について述べる。
• 参考スコア（独自算出の注目度）: 13.751795751395091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High number of writers, small number of training samples per writer with high intra-class variability and heavily imbalanced class distributions are among the challenges and difficulties of the offline Handwritten Signature Verification (HSV) problem. A good alternative to tackle these issues is to use a writer-independent (WI) framework. In WI systems, a single model is trained to perform signature verification for all writers from a dissimilarity space generated by the dichotomy transformation. Among the advantages of this framework is its scalability to deal with some of these challenges and its ease in managing new writers, and hence of being used in a transfer learning context. In this work, we present a white-box analysis of this approach highlighting how it handles the challenges, the dynamic selection of references through fusion function, and its application for transfer learning. All the analyses are carried out at the instance level using the instance hardness (IH) measure. The experimental results show that, using the IH analysis, we were able to characterize "good" and "bad" quality skilled forgeries as well as the frontier region between positive and negative samples. This enables futures investigations on methods for improving discrimination between genuine signatures and skilled forgeries by considering these characterizations.
• Abstract（参考訳）: オフライン手書き署名検証(HSV)問題の課題と課題には,多人数のライターや,高いクラス内変動と高不均衡なクラス分布を持つライター毎のトレーニングサンプルがあげられる。 これらの問題に取り組むためのよい選択肢は、ライター非依存(wi)フレームワークを使用することです。 WIシステムでは、二分法変換によって生成された異種性空間から全ての著者に対して署名検証を行うために単一のモデルを訓練する。 このフレームワークの利点の1つは、これらの課題のいくつかに対処するためのスケーラビリティと、新しいライターの管理が容易であることだ。 本研究では,本手法の問題点の扱い方,融合関数による参照の動的選択,および伝達学習への応用について,ホワイトボックス解析を行った。 すべての分析は、インスタンス硬度(IH)測定を用いてインスタンスレベルで実行される。 実験の結果,IH分析により,正試料と負試料のフロンティア領域だけでなく,品質の高い偽造品の「良い」と「悪い」を特徴付けることができた。 これにより、これらの特徴を考慮し、真正銘の署名と熟練した偽造の識別を改善する方法に関する今後の調査が可能になる。

関連論文リスト

• HNCSE: Advancing Sentence Embeddings via Hybrid Contrastive Learning with Hard Negatives [17.654412302780557]
  HNCSEは、主要なSimCSEアプローチを拡張する、新しい対照的な学習フレームワークである。 HNCSEの目玉は、正と負の両方のサンプルの学習を強化するために、ハードネガティブサンプルの革新的な利用である。
  論文  参考訳（メタデータ） (2024-11-19T01:26:20Z)
• Paired Completion: Flexible Quantification of Issue-framing at Scale with LLMs [0.41436032949434404]
  我々は,大規模なテキストデータセット内の問題フレーミングと物語分析のための新しい検出手法を開発し,厳密に評価する。 問題フレーミングは大きなコーパスにおいて, 与えられた問題に対して, いずれの視点でも, 確実に, 効率的に検出できることを示す。
  論文  参考訳（メタデータ） (2024-08-19T07:14:15Z)
• TRAD: Enhancing LLM Agents with Step-Wise Thought Retrieval and Aligned Decision [32.24857534147114]
  大規模言語モデル(LLM)エージェントは、Webナビゲーションやオンラインショッピングなど、さまざまなタスクのために構築されている。 本稿では,これらの問題に対処するための新しいフレームワーク(TRAD)を提案する。 TRADはThought Retrievalを実行し、思考マッチングによるステップレベルのデモ選択を実現する。 そして、TRADはAligned Decisionを導入し、検索したデモステップを、以前のステップまたはその後のステップで補完する。
  論文  参考訳（メタデータ） (2024-03-10T13:58:38Z)
• Exploring Precision and Recall to assess the quality and diversity of LLMs [82.21278402856079]
  我々はtextscLlama-2 や textscMistral のような大規模言語モデル (LLM) のための新しい評価フレームワークを提案する。 このアプローチにより、コーパスの整合を必要とせず、生成したテキストの品質と多様性を微妙に評価できる。
  論文  参考訳（メタデータ） (2024-02-16T13:53:26Z)
• Generative Judge for Evaluating Alignment [84.09815387884753]
  本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。 我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。 実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
  論文  参考訳（メタデータ） (2023-10-09T07:27:15Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Multiscale Feature Learning Using Co-Tuplet Loss for Offline Handwritten Signature Verification [0.0]
  我々は,MultiScale Signature Feature Learning Network (MS-SigNet)を紹介した。 MS-SigNetは、複数の空間スケールからグローバルと地域両方の署名機能を学び、特徴の識別を強化する。 また、この言語のための堅牢なシステム開発を支援するため、大規模な中国語署名データセットであるHanSigも提示する。
  論文  参考訳（メタデータ） (2023-08-01T10:14:43Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• In and Out-of-Domain Text Adversarial Robustness via Label Smoothing [64.66809713499576]
  多様なNLPタスクの基本モデルにおいて,ラベルの平滑化戦略によって提供される対角的ロバスト性について検討する。 実験の結果,ラベルのスムース化は,BERTなどの事前学習モデルにおいて,様々な攻撃に対して,逆方向の堅牢性を大幅に向上させることがわかった。 また,予測信頼度とロバスト性の関係を解析し,ラベルの平滑化が敵の例に対する過度な信頼誤差を減少させることを示した。
  論文  参考訳（メタデータ） (2022-12-20T14:06:50Z)
• TraSE: Towards Tackling Authorial Style from a Cognitive Science Perspective [4.123763595394021]
  クロスドメインシナリオにおける27,000人以上の著者と1.4万のサンプルによるオーサリング属性実験の結果、90%のアトリビューション精度が得られた。 年齢などの身体的特徴を用いて、TraSE上で定性的な分析を行い、認知的特徴を捉えているという主張を検証する。
  論文  参考訳（メタデータ） (2022-06-21T19:55:07Z)
• Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
  Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。 本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。 我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
  論文  参考訳（メタデータ） (2020-06-22T13:03:01Z)

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。