論文の概要: Offline Handwriting Signature Verification: A Transfer Learning and
Feature Selection Approach
- arxiv url: http://arxiv.org/abs/2401.09467v1
- Date: Fri, 5 Jan 2024 10:55:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 09:14:43.452561
- Title: Offline Handwriting Signature Verification: A Transfer Learning and
Feature Selection Approach
- Title(参考訳): オフライン手書き署名検証:転送学習と特徴選択アプローチ
- Authors: Fatih Ozyurt, Jafar Majidpour, Tarik A. Rashid, Canan Koc
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.395397502990339
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Handwritten signature verification poses a formidable challenge in biometrics
and document authenticity. The objective is to ascertain the authenticity of a
provided handwritten signature, distinguishing between genuine and forged ones.
This issue has many applications in sectors such as finance, legal
documentation, and security. Currently, the field of computer vision and
machine learning has made significant progress in the domain of handwritten
signature verification. The outcomes, however, may be enhanced depending on the
acquired findings, the structure of the datasets, and the used models. Four
stages make up our suggested strategy. First, we collected a large dataset of
12600 images from 420 distinct individuals, and each individual has 30
signatures of a certain kind (All authors signatures are genuine). In the
subsequent stage, the best features from each image were extracted using a deep
learning model named MobileNetV2. During the feature selection step, three
selectors neighborhood component analysis (NCA), Chi2, and mutual info (MI)
were used to pull out 200, 300, 400, and 500 features, giving a total of 12
feature vectors. Finally, 12 results have been obtained by applying machine
learning techniques such as SVM with kernels (rbf, poly, and linear), KNN, DT,
Linear Discriminant Analysis, and Naive Bayes. Without employing feature
selection techniques, our suggested offline signature verification achieved a
classification accuracy of 91.3%, whereas using the NCA feature selection
approach with just 300 features it achieved a classification accuracy of 97.7%.
High classification accuracy was achieved using the designed and suggested
model, which also has the benefit of being a self-organized framework.
Consequently, using the optimum minimally chosen features, the proposed method
could identify the best model performance and result validation prediction
vectors.
- Abstract(参考訳): 手書き署名検証は、バイオメトリックスと文書の認証において、重大な課題となる。
目的は、与えられた手書きの署名の真正性を確認することであり、本物と偽物とを区別することである。
この問題は金融、法律文書、セキュリティなど多くの分野に応用されている。
現在、コンピュータビジョンと機械学習の分野は、手書き署名検証の分野において大きな進歩を遂げている。
しかし、結果は、取得した結果、データセットの構造、使用済みモデルによって強化される可能性がある。
提案する戦略は4段階ある。
まず、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30種類の署名を持っている(すべての著者の署名は本物)。
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。
特徴選択の段階では、3つのセレクタ近傍成分分析(NCA)、Chi2、相互情報(MI)を用いて200,300,400,500の特徴を抽出し、合計12の特徴ベクトルを与えた。
最後に、svmやカーネル(rbf、ポリ、リニア)、kn、dt、線形判別分析、ナイーブベイズといった機械学習技術を適用することで、12の結果を得た。
特徴選択手法を使わずに、提案したオフライン署名検証は91.3%の分類精度を達成したのに対し、わずか300の特徴を持つNAA特徴選択手法は97.7%の分類精度を達成した。
自己組織型フレームワークであることのメリットがある設計モデルと提案モデルを用いて,高い分類精度を実現した。
提案手法は,最適最小選択特徴量を用いて,最適なモデル性能と結果の検証ベクタを同定する。
関連論文リスト
- 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) - Clustering and Ranking: Diversity-preserved Instruction Selection through Expert-aligned Quality Estimation [56.13803674092712]
本稿では,産業に優しく,専門家に順応し,多様性に配慮した指導データ選択手法を提案する:クラスタリングとランキング(CaR)
CaRは2段階のプロセスを採用している: まず、専門家の好みに合わせた高精度(84.25%)のスコアリングモデルを使用して、命令ペアをランク付けする。
我々の実験では、CaRはAlpacaのITデータのわずか1.96%を効率よく選択したが、結果のAlpaCaRモデルはGPT-4の評価において平均32.1%の精度でAlpacaのパフォーマンスを上回った。
論文 参考訳(メタデータ) (2024-02-28T09:27:29Z) - KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。
1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。
その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
論文 参考訳(メタデータ) (2023-07-16T04:27:03Z) - HomE: Homography-Equivariant Video Representation Learning [62.89516761473129]
マルチビュービデオの表現学習のための新しい手法を提案する。
提案手法は異なる視点間の暗黙的なマッピングを学習し,近隣の視点間のホモグラフィ関係を維持する表現空間を決定づける。
動作分類では,UCF101データセットの96.4%の3倍精度が得られた。
論文 参考訳(メタデータ) (2023-06-02T15:37:43Z) - MoSFPAD: An end-to-end Ensemble of MobileNet and Support Vector
Classifier for Fingerprint Presentation Attack Detection [2.733700237741334]
本稿では,指紋攻撃を検知する新しいエンドツーエンドモデルを提案する。
提案モデルでは,MobileNetを特徴抽出器として,Support Vectorを分類器として組み込んだ。
提案モデルの性能を最先端の手法と比較する。
論文 参考訳(メタデータ) (2023-03-02T18:27:48Z) - A pipeline and comparative study of 12 machine learning models for text
classification [0.0]
テキストベースのコミュニケーションは、特にビジネス環境では、コミュニケーション方法として非常に好まれる。
テキスト分類のための多くの機械学習手法が提案され、ほとんどのメールプロバイダのサービスに組み込まれている。
しかし、テキスト分類アルゴリズムを最適化し、攻撃性に関する適切なトレードオフを見つけることは、依然として大きな研究課題である。
論文 参考訳(メタデータ) (2022-04-04T23:51:22Z) - Measuring Self-Supervised Representation Quality for Downstream
Classification using Discriminative Features [56.89813105411331]
我々は,SimCLR,SwaV,MoCo,BYOL,DINO,SimSiam,VICReg,Barlow Twinsといった最先端の自己教師型モデルの表現空間について検討した。
本稿では,標本が誤分類される可能性を確実に予測できる教師なしスコアである自己監督表現品質スコア(Qスコア)を提案する。
Q-Score正規化による微調整により、SSLモデルの線形探索精度はImageNet-100で5.8%、ImageNet-1Kで3.7%向上する。
論文 参考訳(メタデータ) (2022-03-03T17:48:23Z) - Towards Good Practices for Efficiently Annotating Large-Scale Image
Classification Datasets [90.61266099147053]
多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。
人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。
ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
論文 参考訳(メタデータ) (2021-04-26T16:29:32Z) - Intrapersonal Parameter Optimization for Offline Handwritten Signature
Augmentation [17.11525750244627]
本稿では,最も一般的なライターの変動特性を自動的にモデル化する手法を提案する。
この方法は、画像と特徴空間のオフラインシグネチャを生成し、ASVSを訓練するために使われる。
我々は、よく知られた3つのオフライン署名データセットを用いて、ASVSの性能を生成されたサンプルで評価する。
論文 参考訳(メタデータ) (2020-10-13T19:54:02Z) - AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。
外観認識は、完全に微分可能な重み付け機構によって実現される。
我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文 参考訳(メタデータ) (2020-07-07T14:32:21Z) - 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)
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。