Multiscale Global and Regional Feature Learning Using Co-Tuplet Loss for Offline Handwritten Signature Verification

要約

手書き署名検証は、法律機関や金融機関によって広く認められている重要な生体認証方法です。
ただし、自動署名検証システムの開発には、作成者間の類似性、作成者内のばらつき、および署名サンプルの数が限られているため、課題が生じます。
これらの課題に対処するために、オフラインの手書き署名検証用に、新しい計量学習損失である 4 連符損失を備えたマルチスケールのグローバルおよび地域特徴学習ネットワーク (MGRNet) を提案します。
MGRNet は、さまざまな空間スケールからグローバルおよび地域情報を共同学習し、それを統合して識別特徴を生成します。
その結果、本物の署名と熟練した偽造署名の間の詳細な局所的な違いを検出しながら、署名ストローク全体の情報を取得できます。
ネットワークの識別能力をさらに強化するために、距離メトリックを学習するために複数の正と負の例を同時に考慮する 4 連符損失を提案します。
ライター間の類似性とライター内の変動を扱い、有益な例に焦点を当てることにより、4 連符損失は、典型的な計量学習損失の制限に対処します。
さらに、このスクリプト用の堅牢なシステムの開発を促進するために、大規模な中国語署名データセットである HanSig を開発しています。
データセットは https://github.com/ashleyfhh/HanSig で入手できます。
異なる言語での 4 つのベンチマーク データセットでの実験結果は、最先端のアプローチと比較して、私たちの手法の有望なパフォーマンスを示しています。

要約(オリジナル)

Handwritten signature verification is a significant biometric verification method widely acknowledged by legal and financial institutions. However, the development of automatic signature verification systems poses challenges due to inter-writer similarity, intra-writer variations, and the limited number of signature samples. To address these challenges, we propose a multiscale global and regional feature learning network (MGRNet) with the co-tuplet loss, a new metric learning loss, for offline handwritten signature verification. MGRNet jointly learns global and regional information from various spatial scales and integrates it to generate discriminative features. Consequently, it can capture overall signature stroke information while detecting detailed local differences between genuine and skilled-forged signatures. To enhance the discriminative capability of our network further, we propose the co-tuplet loss, which simultaneously considers multiple positive and negative examples to learn distance metrics. By dealing with inter-writer similarity and intra-writer variations and focusing on informative examples, the co-tuplet loss addresses the limitations of typical metric learning losses. Additionally, we develop HanSig, a large-scale Chinese signature dataset, to facilitate the development of robust systems for this script. The dataset is available at https://github.com/ashleyfhh/HanSig. Experimental results on four benchmark datasets in different languages demonstrate the promising performance of our method in comparison to state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google