論文の概要: A Prototypical Signature Approach for Writer-Independent Offline Signature Verification

• arxiv url: http://arxiv.org/abs/2606.18528v1
• Date: Tue, 16 Jun 2026 22:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.924215
• Title: A Prototypical Signature Approach for Writer-Independent Offline Signature Verification
• Title（参考訳）: 書き手非依存のオフライン署名検証のためのプロトタイプ署名手法
• Authors: Kecia G. de Moura, Robert Sabourin, Rafael M. O. Cruz,
• Abstract要約: オフラインシグネチャ検証は、静的イメージを使用して偽シグネチャと真のシグネチャを区別することを目的としている。 負のサンプルは通常、トレーニングデータを作成するために、他のユーザの真の署名からランダムに描画される。 原型シグネチャを用いた多種多様な情報的負のサンプルを生成するためのデータ駆動型戦略を提案する。
• 参考スコア（独自算出の注目度）: 6.396522606507045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline handwritten signature verification aims to distinguish genuine from forged signatures using static images. Since real forgeries are rarely available, negative samples are usually randomly drawn from genuine signatures of other users to create training data. However, this random selection often lacks diversity, increases redundancy, and escalates computational cost, leading to inefficient training. We propose a data-driven strategy to generate diverse, informative negative samples using prototypical signatures, which are compact, non-identifiable summaries of genuine signature features. Based on the experiments results, we conclude that (i) prototypical signatures yield more informative negative samples, improving the detection of skilled forgeries; (ii) the proposed approach is backbone-agnostic, showing robustness across architectures; and (iii) when combined with a primal-form linear SVM, it serves as an alternative to RBF-based models while significantly improving scalability and computational efficiency. Implementation of the method is available at https://github.com/kdmoura/proto_hsv.
• Abstract（参考訳）: オフライン手書きシグネチャ検証は、静的画像を用いた偽シグネチャと真のシグネチャを区別することを目的としている。 実際の偽造はめったに利用できないため、負のサンプルは、通常、訓練データを作成するために、他のユーザの真の署名からランダムに引き出される。 しかし、このランダムな選択は、しばしば多様性を欠き、冗長性を高め、計算コストを増大させ、非効率なトレーニングをもたらす。 原型シグネチャを用いた多種多様な情報的負のサンプルを生成するためのデータ駆動型戦略を提案する。 実験結果から, 結論が得られた。 i) 原型的シグネチャは、より情報的な負のサンプルを生成し、熟練した偽造品の検出を改善します。 (ii) 提案手法は背骨非依存であり, アーキテクチャ間の堅牢性を示す。 三) 原始形式線形SVMと組み合わせることで、RBFベースのモデルの代替として機能し、スケーラビリティと計算効率を大幅に改善する。 メソッドの実装はhttps://github.com/kdmoura/proto_hsv.comで公開されている。

関連論文リスト

• Signature Forgery Detection: Improving Cross-Dataset Generalization [0.0]
  署名検証は、銀行、アイデンティティ認証、法的文書に使用される重要な生体認証技術である。 オフラインシグネチャ検証のほとんどのアプローチは、データセットをまたいだ一般化に苦慮している。 本研究では,シグネチャフォージェリ検出のための特徴学習戦略について検討する。
  論文  参考訳（メタデータ） (2025-10-20T16:42:21Z)
• An Improved U-Net Model for Offline handwriting signature denoising [0.0]
  法医学的な鑑定では、オフラインの筆跡シグネチャの分析には、鑑定者が一定の数のシグネチャサンプルを提供する必要がある。 提供された手書きサンプルは、しばしば大量の干渉情報と混同され、手書き識別作業に深刻な課題をもたらす。 本研究は,符号認識システムの堅牢性向上を目的とした,改良されたU-net構造に基づく署名手書き記述モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-01T01:38:44Z)
• FedSA: A Unified Representation Learning via Semantic Anchors for Prototype-based Federated Learning [4.244188591221394]
  本稿では,FedSA(Federated Learning via Semantic Anchors)という新しいフレームワークを提案する。 FedSAは、様々な分類タスクにおいて、既存のプロトタイプベースのFLメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-01-09T16:10:03Z)
• Uncertainty-Aware Label Refinement on Hypergraphs for Personalized Federated Facial Expression Recognition [58.98052764581606]
  我々はhYpergraphs (AMY) 法に基づく新しい不確実性認識ラベルリファレントを開発する。 ローカルトレーニングでは、各ローカルモデルは、バックボーン、不確実性推定(UE)ブロック、および式分類(EC)ブロックで構成される。 次に、ローカルクライアントにおける標本の不確実性重みを推定するために、パーソナライズされた不確実性推定器を導入する。
  論文  参考訳（メタデータ） (2025-01-03T13:59:21Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Revealing Reliable Signatures by Learning Top-Rank Pairs [15.582774097442721]
  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。
  論文  参考訳（メタデータ） (2022-03-17T08:20:19Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)

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。