論文の概要: Revealing Reliable Signatures by Learning Top-Rank Pairs

• arxiv url: http://arxiv.org/abs/2203.09927v1
• Date: Thu, 17 Mar 2022 08:20:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 11:25:09.115527
• Title: Revealing Reliable Signatures by Learning Top-Rank Pairs
• Title（参考訳）: トップランクペア学習による信頼性の高いシグネチャの明確化
• Authors: Xiaotong Ji, Yan Zheng, Daiki Suehiro, Seiichi Uchida
• Abstract要約: 署名検証は重要なドキュメント分析タスクである。 著者に依存しないオフライン署名検証タスクに対して,トップランクペア(top-rank pairs)を学習するための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 15.582774097442721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Signature verification, as a crucial practical documentation analysis task, has been continuously studied by researchers in machine learning and pattern recognition fields. In specific scenarios like confirming financial documents and legal instruments, ensuring the absolute reliability of signatures is of top priority. In this work, we proposed a new method to learn "top-rank pairs" for writer-independent offline signature verification tasks. By this scheme, it is possible to maximize the number of absolutely reliable signatures. More precisely, our method to learn top-rank pairs aims at pushing positive samples beyond negative samples, after pairing each of them with a genuine reference signature. In the experiment, BHSig-B and BHSig-H datasets are used for evaluation, on which the proposed model achieves overwhelming better pos@top (the ratio of absolute top positive samples to all of the positive samples) while showing encouraging performance on both Area Under the Curve (AUC) and accuracy.
• Abstract（参考訳）: 署名検証は、重要な文書解析タスクとして、機械学習とパターン認識分野の研究者が継続的に研究している。 財務書類や法的手段の確認のような特定のシナリオでは、署名の絶対的信頼性の確保が最優先事項である。 本研究では,ライターに依存しないオフラインシグネチャ検証タスクのための「トップランクペア」を学習する新しい手法を提案する。 このスキームにより、絶対信頼できる署名の数を最大化することができる。 より正確には、トップランクのペアを学習する手法は、正のサンプルを正のサンプルを超えてプッシュすることを目的としている。 実験では,BHSig-B と BHSig-H のデータセットを評価に使用し,提案モデルでは,AUC (Area Under the Curve) と精度の両面において,圧倒的に優れたpos@top(全正の正の絶対値の割合)を達成した。

関連論文リスト

• Enhanced Bank Check Security: Introducing a Novel Dataset and Transformer-Based Approach for Detection and Verification [11.225067563482169]
  銀行チェックの署名検証に特化して設計された新しいデータセットを提案する。 このデータセットには、典型的なチェック要素に埋め込まれたさまざまなシグネチャスタイルが含まれている。 本稿では,オブジェクト検出ネットワークを用いた文字非依存署名検証のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T14:42:14Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• One-Shot Learning as Instruction Data Prospector for Large Language Models [108.81681547472138]
  textscNuggetsはワンショット学習を使用して、広範なデータセットから高品質な命令データを選択する。 我々は,textscNuggets がキュレートした例の上位1%による命令チューニングが,データセット全体を用いた従来の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-16T03:33:12Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [50.62245481416744]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• Learning with Signatures [8.569235370614145]
  我々は、クレジット代入を必要とせず、最小限または無限のオーバーフィッティングを必要とせずに、ごく少数のラベルを使用することで、最先端の分類精度を提供する教師付きフレームワークを前進させる。 我々は,調波解析のツールをシグネチャとログシグネチャを用いて利用し,スコア関数RMSEとMAEシグネチャとログシグネチャとして利用する。
  論文  参考訳（メタデータ） (2022-04-17T08:36:15Z)
• Towards Semi-Supervised Deep Facial Expression Recognition with An Adaptive Confidence Margin [92.76372026435858]
  Ada-CM(Adaptive Confidence Margin)を学習し、ラベルのないすべてのデータを半教師付き深層表情認識に活用する。 すべてのラベルなしサンプルは、信頼スコアと適応的に学習された信頼マージンを比較して、2つのサブセットに分割される。 提案手法は最先端の性能,特に半教師付きベースラインを超越した性能を実現する。
  論文  参考訳（メタデータ） (2022-03-23T11:43:29Z)
• 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)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Provable Guarantees for Self-Supervised Deep Learning with Spectral Contrastive Loss [72.62029620566925]
  自己教師型学習の最近の研究は、対照的な学習パラダイムを頼りに、最先端の技術の進歩を遂げている。 我々の研究は、正の対の条件的独立性を仮定することなく、対照的な学習を分析する。 本稿では,人口増分グラフ上でスペクトル分解を行う損失を提案し,コントラスト学習目的として簡潔に記述することができる。
  論文  参考訳（メタデータ） (2021-06-08T07:41:02Z)
• Offline Signature Verification on Real-World Documents [9.271640666465363]
  正式な文書から抽出された署名には、スタンプ、会社のシール、支配線、署名ボックスなど、さまざまな種類の隠蔽が含まれている。 本稿では,現実の作家によるオフライン署名検証問題に対処し,銀行の顧客の取引要求文書に隠蔽された署名を記載した文書をクリーンリファレンス署名と比較する。 提案手法は,CycleGANに基づくスタンプクリーニング法とCNNに基づくシグネチャ表現の2つの主成分からなる。
  論文  参考訳（メタデータ） (2020-04-25T10:28:03Z)

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。