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
- 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。