論文の概要: Multiscale Global and Regional Feature Learning Using Co-Tuplet Loss for
Offline Handwritten Signature Verification
- arxiv url: http://arxiv.org/abs/2308.00428v1
- Date: Tue, 1 Aug 2023 10:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 14:30:50.635932
- Title: Multiscale Global and Regional Feature Learning Using Co-Tuplet Loss for
Offline Handwritten Signature Verification
- Title(参考訳): オフライン手書きシグネチャ検証のためのコタップレットロスを用いたマルチスケールグローバル・地域特徴学習
- Authors: Fu-Hsien Huang and Hsin-Min Lu
- Abstract要約: 手書き署名検証は、法律や金融機関によって広く認められている重要な生体認証手法である。
自動署名検証システムの開発は、文字間類似性、文字内変動、署名サンプル数の制限による課題を提起する。
オフライン手書き署名検証のためのマルチスケールグローバル・地域特徴学習ネットワーク(MGRNet)を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Handwritten signature verification is a significant biometric verification
method widely acknowledged by legal and financial institutions. However, the
development of automatic signature verification systems poses challenges due to
inter-writer similarity, intra-writer variations, and the limited number of
signature samples. To address these challenges, we propose a multiscale global
and regional feature learning network (MGRNet) with the co-tuplet loss, a new
metric learning loss, for offline handwritten signature verification. MGRNet
jointly learns global and regional information from various spatial scales and
integrates it to generate discriminative features. Consequently, it can capture
overall signature stroke information while detecting detailed local differences
between genuine and skilled-forged signatures. To enhance the discriminative
capability of our network further, we propose the co-tuplet loss, which
simultaneously considers multiple positive and negative examples to learn
distance metrics. By dealing with inter-writer similarity and intra-writer
variations and focusing on informative examples, the co-tuplet loss addresses
the limitations of typical metric learning losses. Additionally, we develop
HanSig, a large-scale Chinese signature dataset, to facilitate the development
of robust systems for this script. The dataset is available at
https://github.com/ashleyfhh/HanSig. Experimental results on four benchmark
datasets in different languages demonstrate the promising performance of our
method in comparison to state-of-the-art approaches.
- Abstract(参考訳): 手書き署名検証は、法律や金融機関によって広く認められている重要な生体認証手法である。
しかし, 自動署名検証システムの開発は, 文字間類似性, 文字内変動, 署名サンプル数の制限による課題を提起している。
これらの課題に対処するために,オフライン手書き署名検証のための新しいメトリック学習損失であるコ・タップレット損失を用いたマルチスケール・グローバル・地域特徴学習ネットワーク(mgrnet)を提案する。
MGRNetは、様々な空間スケールからグローバルおよび地域情報を共同で学習し、それを統合して識別的特徴を生成する。
これにより、実際の署名と熟練した署名との詳細な局所的な違いを検知しながら、シグネチャストローク全体の情報をキャプチャすることができる。
さらに,ネットワークの識別能力を高めるために,複数の正負の例と負の例を同時に考慮して,距離メトリクスを学習するコタップレット損失を提案する。
文字間の類似性や文字間の変動に対処し、情報的な例に焦点を当てることで、コタップレット損失は典型的なメートル法学習損失の限界に対処する。
さらに、このスクリプトのための堅牢なシステム開発を容易にするため、大規模な中国語署名データセットであるHanSigを開発した。
データセットはhttps://github.com/ashleyfhh/hansigで入手できる。
異なる言語における4つのベンチマークデータセットの実験結果は、最先端の手法と比較して、提案手法の有望な性能を示す。
関連論文リスト
- Revisiting Multimodal Representation in Contrastive Learning: From Patch
and Token Embeddings to Finite Discrete Tokens [76.40196364163663]
本稿では,CLIPのような学習型視覚言語事前学習手法を提案する。
提案手法は,より包括的な表現を学習し,意味のある相互対応を捉えることができることを示す。
論文 参考訳(メタデータ) (2023-03-27T00:58:39Z) - Self-similarity Driven Scale-invariant Learning for Weakly Supervised
Person Search [66.95134080902717]
自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。
本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。
PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2023-02-25T04:48:11Z) - 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) - SWIS: Self-Supervised Representation Learning For Writer Independent
Offline Signature Verification [16.499360910037904]
ライター独立のオフライン署名検証は、パターン認識において最も難しいタスクの1つである。
著者独立型オフライン署名検証のための自己教師型学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-26T06:33:25Z) - 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) - Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。
CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。
本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
論文 参考訳(メタデータ) (2021-03-12T19:48:01Z) - Global-local Enhancement Network for NMFs-aware Sign Language
Recognition [135.30357113518127]
グローバルローカル・エンハンスメント・ネットワーク(GLE-Net)という,シンプルで効果的なアーキテクチャを提案する。
2つのストリームのうち、1つはグローバルなコンテキスト関係をキャプチャし、もう1つは識別可能なきめ細かなキューをキャプチャする。
日常の単語の総語彙サイズが1,067である中国語手話データセットを,手動で認識する最初の中国語手話データセットを紹介した。
論文 参考訳(メタデータ) (2020-08-24T13:28:55Z) - Leveraging Adversarial Training in Self-Learning for Cross-Lingual Text
Classification [52.69730591919885]
本稿では,ラベル保存型入力摂動の最大損失を最小限に抑える半教師付き対向学習法を提案する。
多様な言語群に対する文書分類と意図分類において,有効性が著しく向上するのを観察する。
論文 参考訳(メタデータ) (2020-07-29T19:38:35Z) - 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) - A Skip-connected Multi-column Network for Isolated Handwritten Bangla
Character and Digit recognition [12.551285203114723]
マルチスケールマルチカラムスキップ畳み込みニューラルネットワークを用いた非明示的特徴抽出手法を提案する。
本手法は,手書き文字と数字の4つの公開データセットを用いて評価する。
論文 参考訳(メタデータ) (2020-04-27T13:18:58Z) - A white-box analysis on the writer-independent dichotomy transformation
applied to offline handwritten signature verification [13.751795751395091]
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。
論文 参考訳(メタデータ) (2020-04-03T19:59:34Z)
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。