論文の概要: Online Signature Verification Using Augmented Path Signature and T-Mamba
- arxiv url: http://arxiv.org/abs/2609.08276v1
- Date: Tue, 08 Sep 2026 05:36:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.589439
- Title: Online Signature Verification Using Augmented Path Signature and T-Mamba
- Title（参考訳）: Augmented Path Signature と T-Mamba を用いたオンライン署名検証
- Abstract要約: 本稿では,拡張パスシグネチャ(APS)記述子とT-Mambaモデルを統合する新しいフレームワークを提案する。
我々のフレームワークは3つの公開ベンチマークデータセット上で最先端のEERを実現する。
- 参考スコア（独自算出の注目度）: 0.5156484100374058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Handwritten signature verification is vital for personal authentication across commercial and financial applications. Although deep learning methods are widely adopted for online signature verification (OSV), they often struggle with capturing highly discriminative features and modelling long-range dependencies. To address these issues, we propose a novel framework that integrates the augmented path signature (APS) descriptor with the T-Mamba model. The APS descriptor first applies time and basepoint augmentations, then computes sliding-window path signatures. The path signature is a non-parametric feature map from rough path theory that effectively captures geometric structures and nonlinear inter-channel interactions. Inspired by the efficacy of state space models (SSMs) in sequence modelling, our T-Mamba model employs a hybrid design combining two temporal convolutional network (TCN) blocks with a time-scanning Mamba. This design enables the model to learn both local temporal patterns and global long-range dependencies, substantially improving verification accuracy. Our framework achieves state-of-the-art EERs on three public benchmark datasets (MCYT-100, SVC-2004 Task 2, DeepSignDB), validating its effectiveness and robustness, especially when the training data is limited. Our code is publicly available at https://github.com/DLRL04/OSV-using-APS-and-T-Mamba.
- Abstract（参考訳）: 手書き署名検証は、商用および金融アプリケーション間での個人認証に不可欠である。
深層学習手法はオンライン署名検証(OSV)に広く採用されているが、識別性の高い特徴を捉え、長距離依存をモデル化するのに苦労することが多い。
これらの問題に対処するために,拡張パスシグネチャ(APS)記述子とT-マンバモデルを統合する新しいフレームワークを提案する。
APSディスクリプタはまず時間とベースポイント拡張を適用し、次にスライドウィンドウパスシグネチャを計算します。
経路シグネチャは粗路理論の非パラメトリック特徴写像であり、幾何学的構造と非線形チャネル間相互作用を効果的に捉えている。
シーケンスモデリングにおける状態空間モデル(SSM)の有効性に着想を得て,T-Mambaモデルでは,2つの時間的畳み込みネットワーク(TCN)ブロックと時間走査型Mambaを組み合わせたハイブリッド設計を採用している。
この設計により、局所的な時間的パターンとグローバルな長距離依存の両方を学習し、精度を大幅に向上させることができる。
本フレームワークは3つの公開ベンチマークデータセット(MCYT-100, SVC-2004 Task 2, DeepSignDB)上で最先端のEERを実現し, トレーニングデータに制限がある場合にその有効性と堅牢性を検証する。
私たちのコードはhttps://github.com/DLRL04/OSV-using-APS-and-T-Mambaで公開されています。
関連論文リスト
- Online Handwritten Signature Verification Based on Temporal-Spatial Graph Attention Transformer [24.79683227958907]
本稿では,時間空間グラフ注意変換器(TS-GATR)の動的シグネチャ検証手法を提案する。
TS-GATR は Graph Attention Network (GAT) と Gated Recurrent Unit (GRU) を組み合わせて、署名データの空間的および時間的依存関係をモデル化する。
長期の時間的依存関係をキャプチャするために、モデルはGRUを統合し、署名検証中に動的特徴を学習する能力を向上する。
論文 参考訳（メタデータ） (2025-10-22T07:32:55Z) - 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) - Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。
本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T06:25:10Z) - SG-Reg: Generalizable and Efficient Scene Graph Registration [23.3853919684438]
セマンティックノードの複数モードを符号化するシーングラフネットワークを設計する。
バックエンドでは、対応に応じて変換を決定するために頑健なポーズ推定器を用いる。
提案手法は,クエリフレーム毎に52KBの通信帯域しか必要とせず,わずかに高い登録リコールを実現する。
論文 参考訳（メタデータ） (2025-04-20T01:22:40Z) - Stack Transformer Based Spatial-Temporal Attention Model for Dynamic Sign Language and Fingerspelling Recognition [1.949837893170278]
手話に基づく手話認識は、聴覚障害者と非聴覚障害者の間に重要な橋渡しとなる。
本稿では,新しいトランスフォーマーアーキテクチャであるSSTAN(Sequential Spatio-Temporal Attention Network)を提案する。
多様な大規模データセットに関する広範な実験を通じて、我々のモデルを検証した。
論文 参考訳（メタデータ） (2025-03-21T04:57:18Z) - Online Dense Point Tracking with Streaming Memory [54.22820729477756]
デンスポイントトラッキングは、ビデオのかなりの部分を通して、初期フレーム内のすべてのポイントの連続的な追跡を必要とする、困難なタスクである。
最近の点追跡アルゴリズムは、通常、最初のフレームから現在のフレームへの間接的な情報伝達のためにスライドウィンドウに依存する。
我々は、高密度のtextbfPOint textbfTracking とオンラインビデオ処理のための textbfStreaming メモリを備えた軽量で高速なモデルを提案する。
論文 参考訳（メタデータ） (2025-03-09T06:16:49Z) - Offline Handwritten Signature Verification Using a Stream-Based Approach [7.18805896964466]
署名検証システムは、真と偽の署名を区別する。
従来のHSV開発には静的なバッチ構成が含まれる。
本稿では,無限のシグネチャ列を受信し,時間とともに更新される適応システムを用いた新しいHSV手法を提案する。
論文 参考訳（メタデータ） (2024-11-10T16:16:06Z) - SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-21T09:12:59Z) - A Transformer Model for Boundary Detection in Continuous Sign Language [55.05986614979846]
Transformerモデルは、分離された手話認識と連続手話認識の両方に使用される。
トレーニングプロセスは、入力されたビデオから抽出された手指キーポイントの特徴を豊かにする、孤立した手指ビデオを使用する。
トレーニングされたモデルと後処理の手法が組み合わさって、連続した手話ビデオ内の孤立した手話境界を検出する。
論文 参考訳（メタデータ） (2024-02-22T17:25:01Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Joint Feature Learning and Relation Modeling for Tracking: A One-Stream
Framework [76.70603443624012]
特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。
このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。
OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
論文 参考訳（メタデータ） (2022-03-22T18:37:11Z)
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。