論文の概要: Multiscale Feature Learning Using Co-Tuplet Loss for Offline Handwritten Signature Verification

• arxiv url: http://arxiv.org/abs/2308.00428v2
• Date: Mon, 11 Dec 2023 08:22:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 01:58:19.024933
• Title: Multiscale 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特徴学習
• Authors: Fu-Hsien Huang and Hsin-Min Lu
• Abstract要約: 我々は,マルチスケール署名特徴学習ネットワーク (MS-SigNet) を導入し,コタップレット損失と呼ばれる新しいメトリクス学習損失を導入した。 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、堅牢なシステム開発をサポートする大規模な中国語署名データセットであるHanSigについても紹介する。
• 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, crucial for legal and financial institutions, faces challenges including inter-writer similarity, intra-writer variations, and limited signature samples. To address these, we introduce a MultiScale Signature feature learning Network (MS-SigNet) with a novel metric learning loss called the co-tuplet loss, designed for offline handwritten signature verification. MS-SigNet learns both global and regional signature features from multiple spatial scales, enhancing feature discrimination. This approach effectively distinguishes genuine signatures from skilled forgeries by capturing overall strokes and detailed local differences. The co-tuplet loss, focusing on multiple positive and negative examples, overcomes the limitations of typical metric learning losses by addressing inter-writer similarity and intra-writer variations and emphasizing informative examples. We also present HanSig, a large-scale Chinese signature dataset (available at https://github.com/ashleyfhh/HanSig) to support robust system development. 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）: 法的および金融機関にとって重要な手書き署名検証は、文字間の類似性、文字内変異、限られた署名サンプルを含む課題に直面している。 そこで本研究では,オフライン手書き署名検証用に設計されたコタップレットロスと呼ばれる,新たなメトリック学習損失を持つマルチスケールシグネチャ特徴学習ネットワーク(ms-signet)を提案する。 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、特徴識別を強化する。 このアプローチは、全体的なストロークと詳細な局所的差異をキャプチャすることで、熟練した偽造品と真の署名を効果的に区別する。 複数のポジティブな例とネガティブな例に焦点を当てたコタップレットの損失は、文字間類似性や文字内変動に対処し、情報的例を強調することによって、典型的なメトリック学習損失の限界を克服する。 また、堅牢なシステム開発をサポートするために、大規模な中国の署名データセットであるHanSig(https://github.com/ashleyfhh/HanSig)も紹介します。 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

• signwriting-evaluation: Effective Sign Language Evaluation via SignWriting [3.484261625026626]
  本稿では,SignWritingに特化して設計された評価指標を総合的に紹介する。 シングルサインの評価と継続的署名の課題に対処する。 以上の結果から,各指標の長所と短所が明らかとなり,今後の進歩に有意義な洞察が得られた。
  論文  参考訳（メタデータ） (2024-10-17T15:28:45Z)
• MS2SL: Multimodal Spoken Data-Driven Continuous Sign Language Production [93.32354378820648]
  我々は,手話と非手話のユーザ間のコミュニケーションを緩和する,連続手話生成のための統一フレームワークを提案する。 テキストや音声から抽出した埋め込みを利用したシーケンス拡散モデルを作成し、段階的にサイン予測を生成する。 How2SignとPHOENIX14Tデータセットの実験により、手話生成において、我々のモデルが競合性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-07-04T13:53:50Z)
• Self-Supervised Representation Learning with Spatial-Temporal Consistency for Sign Language Recognition [96.62264528407863]
  本研究では,空間的時間的整合性を通じてリッチな文脈を探索する自己教師付きコントラスト学習フレームワークを提案する。 動きと関節のモーダル性の相補性に着想を得て,手話モデルに一階動作情報を導入する。 提案手法は,4つの公開ベンチマークの広範な実験により評価され,新しい最先端性能と顕著なマージンを実現している。
  論文  参考訳（メタデータ） (2024-06-15T04:50:19Z)
• MetaScript: Few-Shot Handwritten Chinese Content Generation via Generative Adversarial Networks [15.037121719502606]
  漢字のデジタル表現における個人的手書きスタイルの存在感の低下に対処する新しいコンテンツ生成システムであるMetaScriptを提案する。 本手法は,個人固有の手書きスタイルを保ち,デジタルタイピングの効率を維持できる漢字を生成するために,数ショット学習の力を利用する。
  論文  参考訳（メタデータ） (2023-12-25T17:31:19Z)
• mCL-NER: Cross-Lingual Named Entity Recognition via Multi-view Contrastive Learning [54.523172171533645]
  CrossNERは多言語コーパスの不足により不均一な性能から生じる課題に直面している。 言語横断的名前付きエンティティ認識(mCL-NER)のためのマルチビューコントラスト学習を提案する。 40言語にまたがるXTREMEベンチマーク実験では、従来のデータ駆動型およびモデルベースアプローチよりもmCL-NERの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-08-17T16:02:29Z)
• 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)
• 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。