論文の概要: Intrapersonal Parameter Optimization for Offline Handwritten Signature Augmentation

• arxiv url: http://arxiv.org/abs/2010.06663v1
• Date: Tue, 13 Oct 2020 19:54:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 23:13:05.094874
• Title: Intrapersonal Parameter Optimization for Offline Handwritten Signature Augmentation
• Title（参考訳）: オフライン手書き署名拡張のための個人内パラメータ最適化
• Authors: Teruo M. Maruyama, Luiz S. Oliveira, Alceu S. Britto Jr, Robert Sabourin
• Abstract要約: 本稿では,最も一般的なライターの変動特性を自動的にモデル化する手法を提案する。 この方法は、画像と特徴空間のオフラインシグネチャを生成し、ASVSを訓練するために使われる。 我々は、よく知られた3つのオフライン署名データセットを用いて、ASVSの性能を生成されたサンプルで評価する。
• 参考スコア（独自算出の注目度）: 17.11525750244627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Usually, in a real-world scenario, few signature samples are available to train an automatic signature verification system (ASVS). However, such systems do indeed need a lot of signatures to achieve an acceptable performance. Neuromotor signature duplication methods and feature space augmentation methods may be used to meet the need for an increase in the number of samples. Such techniques manually or empirically define a set of parameters to introduce a degree of writer variability. Therefore, in the present study, a method to automatically model the most common writer variability traits is proposed. The method is used to generate offline signatures in the image and the feature space and train an ASVS. We also introduce an alternative approach to evaluate the quality of samples considering their feature vectors. We evaluated the performance of an ASVS with the generated samples using three well-known offline signature datasets: GPDS, MCYT-75, and CEDAR. In GPDS-300, when the SVM classifier was trained using one genuine signature per writer and the duplicates generated in the image space, the Equal Error Rate (EER) decreased from 5.71% to 1.08%. Under the same conditions, the EER decreased to 1.04% using the feature space augmentation technique. We also verified that the model that generates duplicates in the image space reproduces the most common writer variability traits in the three different datasets.
• Abstract（参考訳）: 通常、現実世界のシナリオでは、自動署名検証システム(asvs)をトレーニングするためのシグネチャサンプルがほとんどない。 しかし、そのようなシステムは許容できる性能を達成するために多くの署名を必要とする。 ニューロモーターのシグネチャ重複法と特徴空間拡張法は、サンプル数の増加の必要性を満たすために用いられる。 このようなテクニックは、手動または経験的に、ライターの変動度を導入するためのパラメータのセットを定義します。 そこで本研究では,最も一般的な作家変動特性を自動的にモデル化する手法を提案する。 この方法は、画像と特徴空間のオフラインシグネチャを生成し、ASVSを訓練するために使われる。 また,その特徴量を考慮したサンプルの品質評価手法を提案する。 我々は,gpds,mcyt-75,cedarの3つの既知のオフラインシグネチャデータセットを用いて,生成されたサンプルを用いたasvの性能評価を行った。 GPDS-300では、SVM分類器を1文字あたりの真のシグネチャと画像空間で生成された複製を用いて訓練すると、EER(Equal Error Rate)は5.71%から1.08%に低下した。 同じ条件下で、EERは特徴空間拡張技術を用いて1.04%まで低下した。 また,画像空間における重複を生成するモデルは,3つの異なるデータセットにおいて最も一般的なライター変動特性を再現することを確認した。

関連論文リスト

• Offline Handwritten Signature Verification Using a Stream-Based Approach [7.18805896964466]
  署名検証システムは、真と偽の署名を区別する。 従来のHSV開発には静的なバッチ構成が含まれる。 本稿では,無限のシグネチャ列を受信し,時間とともに更新される適応システムを用いた新しいHSV手法を提案する。
  論文  参考訳（メタデータ） (2024-11-10T16:16:06Z)
• Offline Signature Verification Based on Feature Disentangling Aided Variational Autoencoder [6.128256936054622]
  シグネチャ検証システムの主なタスクは、シグネチャ画像から特徴を抽出し、分類のための分類器を訓練することである。 署名検証モデルがトレーニングされている場合、熟練した偽造の例は、しばしば利用できない。 本稿では, 可変オートエンコーダ(VAE)を用いて, 署名画像から直接特徴を抽出する新しい署名検証手法を提案する。
  論文  参考訳（メタデータ） (2024-09-29T19:54:47Z)
• Investigating the Common Authorship of Signatures by Off-Line Automatic Signature Verification Without the Use of Reference Signatures [3.3498759480099856]
  本稿では,参照シグネチャが存在しない場合に,自動シグネチャ検証の問題に対処する。 私たちが探求するシナリオは、同じ著者または複数の署名者によって署名される可能性のある署名のセットで構成されています。 オフラインシグネチャの集合の共通オーサシップを自動的に推定する3つの方法について議論する。
  論文  参考訳（メタデータ） (2024-05-23T10:30:48Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Offline Handwriting Signature Verification: A Transfer Learning and Feature Selection Approach [4.395397502990339]
  目的は、提供された手書き署名の真偽を確認し、真偽と偽造された署名を区別することである。 この問題には金融、法的文書、セキュリティなど多くの分野の応用がある。 我々は、420人の個人から12600枚の画像の大規模なデータセットを収集し、それぞれが特定の種類の署名を30個持っている。 その後の段階では、MobileNetV2というディープラーニングモデルを用いて、各画像から最高の特徴を抽出した。
  論文  参考訳（メタデータ） (2024-01-05T10:55:20Z)
• Diversified in-domain synthesis with efficient fine-tuning for few-shot classification [64.86872227580866]
  画像分類は,クラスごとのラベル付き例の小さなセットのみを用いて,画像分類器の学習を目的としている。 合成データを用いた数ショット学習における一般化問題に対処する新しいアプローチである DisEF を提案する。 提案手法を10種類のベンチマークで検証し,ベースラインを一貫して上回り,数ショット分類のための新しい最先端の手法を確立した。
  論文  参考訳（メタデータ） (2023-12-05T17:18:09Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• SURDS: Self-Supervised Attention-guided Reconstruction and Dual Triplet Loss for Writer Independent Offline Signature Verification [16.499360910037904]
  オフライン署名検証(英: Offline Signature Verification、OSV)は、法学、商業、法学の様々な分野における基本的な生体計測の課題である。 著者に依存しないOSVにおける自己教師付き表現学習とメートル法学習を活用する2段階のディープラーニングフレームワークを提案する。 提案したフレームワークは2つのオフライン署名データセットで評価され、様々な最先端の手法と比較されている。
  論文  参考訳（メタデータ） (2022-01-25T07:26:55Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• 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)
• Diverse Image Generation via Self-Conditioned GANs [56.91974064348137]
  手動でアノテートされたクラスラベルを使わずに、クラス条件付きGANモデルを訓練する。 代わりに、我々のモデルは、識別器の特徴空間におけるクラスタリングから自動的に派生したラベルに条件付きである。 我々のクラスタリングステップは、自動的に多様なモードを発見し、それらをカバーするためにジェネレータを明示的に必要とします。
  論文  参考訳（メタデータ） (2020-06-18T17:56:03Z)

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。