論文の概要: Signature Verification using Geometrical Features and Artificial Neural Network Classifier

• arxiv url: http://arxiv.org/abs/2108.02029v1
• Date: Wed, 4 Aug 2021 12:55:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-05 13:26:01.778115
• Title: Signature Verification using Geometrical Features and Artificial Neural Network Classifier
• Title（参考訳）: 幾何学的特徴とニューラルネットワーク分類器を用いた署名検証
• Authors: Anamika Jain, Satish Kumar Singh, Krishna Pratap Singh
• Abstract要約: 署名検証はコンピュータビジョンの分野で研究されている分野の1つである。 我々は,シンプルで効果的な署名検証手法を提案している。 MCYT 100データセットではEERが低く,BHSig260データセットでは精度が高かった。
• 参考スコア（独自算出の注目度）: 15.512423001958625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signature verification has been one of the major researched areas in the field of computer vision. Many financial and legal organizations use signature verification as access control and authentication. Signature images are not rich in texture; however, they have much vital geometrical information. Through this work, we have proposed a signature verification methodology that is simple yet effective. The technique presented in this paper harnesses the geometrical features of a signature image like center, isolated points, connected components, etc., and with the power of Artificial Neural Network (ANN) classifier, classifies the signature image based on their geometrical features. Publicly available dataset MCYT, BHSig260 (contains the image of two regional languages Bengali and Hindi) has been used in this paper to test the effectiveness of the proposed method. We have received a lower Equal Error Rate (EER) on MCYT 100 dataset and higher accuracy on the BHSig260 dataset.
• Abstract（参考訳）: 署名検証はコンピュータビジョンの分野で研究されている分野の1つである。 多くの金融および法務機関は、署名認証をアクセス制御および認証として使用している。 署名画像はテクスチャに富んでいないが、重要な幾何学的情報を持っている。 この研究を通じて,単純かつ効果的であるシグネチャ検証手法を提案する。 本稿では,シグネチャ画像(中心,孤立点,連結成分など)の幾何学的特徴と,それらの幾何学的特徴に基づいてシグネチャ画像を分類する人工ニューラルネットワーク(ann)分類器のパワーを用いて,シグネチャ画像の分類を行う。 提案手法の有効性を検証するため,本論文では,bhsig260(ベンガル語とヒンディー語の2つの地域言語のイメージを含む)が公開されている。 mcyt 100データセットではeer(equal error rate)が低く,bhsig260データセットでは精度が高かった。

関連論文リスト

• Block Induced Signature Generative Adversarial Network (BISGAN): Signature Spoofing Using GANs and Their Evaluation [1.0177118388531325]
  GAN(Generative Adversarial Network)は、オリジナルおよびフォージされたシグネチャから学習し、フォージされたシグネチャを生成する。 この研究は、署名検証システムのベンチマークを達成するために、偽造サンプルを生成するジェネレータを作成することに重点を置いている。
  論文  参考訳（メタデータ） (2024-10-08T13:40:33Z)
• 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)
• Air Signing and Privacy-Preserving Signature Verification for Digital Documents [0.0]
  提案されたソリューションは"Air Signature"と呼ばれ、カメラの前でシグネチャを記述する。 目標は、ジェスチャーやオブジェクトをリアルタイムで検出・追跡する最先端の手法を開発することである。
  論文  参考訳（メタデータ） (2024-05-17T16:00:10Z)
• 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)
• Geometric Representation Learning for Document Image Rectification [137.75133384124976]
  本稿では,明示的な幾何学的表現を導入して文書画像の修正を行うDocGeoNetを提案する。 私たちのモチベーションは、歪んだ文書画像の修正に3次元形状がグローバルなアンウォープ手段を提供するという洞察から生まれます。 実験は、我々のフレームワークの有効性を示し、我々のフレームワークが最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-15T01:57:40Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Dual-Level Collaborative Transformer for Image Captioning [126.59298716978577]
  2つの機能の補完的な利点を実現するために、新しいデュアルレベルコラボレーショントランス(DLCT)ネットワークを紹介します。 さらに,これらの2つの特徴の直接融合によって生じる意味的雑音に対処するために,局所性制約付きクロスアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-01-16T15:43:17Z)
• FCN+RL: A Fully Convolutional Network followed by Refinement Layers to Offline Handwritten Signature Segmentation [3.3144312096837325]
  そこで本研究では,手書き署名の画素の識別と抽出を行う手法を提案する。 この技術は、完全な畳み込みエンコーダ・デコーダネットワークと、予測された画像のアルファチャネルのための洗練されたレイヤのブロックを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-28T18:47:10Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。