[論文レビュー] Online Signature Verification using Deep Representation: A new Descriptor

Mohammad Hajizadeh Saffar, Mohsen Fayyaz+2 more|arXiv (Cornell University)|Jun 24, 2018

Handwritten Text Recognition Techniques参考文献 10被引用数 9

ひとこと要約

本論文では、スパースオートエンコーダーと1クラス分類器を用いた自己教師付き学習を用いて、オンライン署名検証のためのディープ表現ベースの署名記述子を提案する。非ラベル付き署名で事前学習を行い、判別的な特徴を抽出することで、SVC2004およびSUSIGデータセットで最先端の精度を達成し、データセットに依存しない特徴抽出により、誤り率を顕著に低減する。

ABSTRACT

This paper presents an accurate method for verifying online signatures. The main difficulty of signature verification come from: (1) Lacking enough training samples (2) The methods must be spatial change invariant. To deal with these difficulties and modeling the signatures efficiently, we propose a method that a one-class classifier per each user is built on discriminative features. First, we pre-train a sparse auto-encoder using a large number of unlabeled signatures, then we applied the discriminative features, which are learned by auto-encoder to represent the training and testing signatures as a self-thought learning method (i.e. we have introduced a signature descriptor). Finally, user's signatures are modeled and classified using a one-class classifier. The proposed method is independent on signature datasets thanks to self-taught learning. The experimental results indicate significant error reduction and accuracy enhancement in comparison with state-of-the-art methods on SVC2004 and SUSIG datasets.

研究の動機と目的

• オンライン署名検証における訓練サンプルの不足という課題に対処すること。
• 筆圧や筆跡の変化にもかかわらず、空間的不変性を確保する署名表現を実現すること。
• ラベル付きデータに依存するのを減らす自己教師付き学習フレームワークを構築すること。
• 判別的なディープ特徴を用いてユーザー固有の署名をモデル化することで、検証精度を向上させること。
• 多様なデータセットに適用可能な、強固で汎用性の高い署名記述子を構築すること。

提案手法

• 大規模な非ラベル付きオンライン署名データセットを用いてスパースオートエンコーダーを事前学習し、低次元で判別的な特徴を学習する。
• 学習されたエンコーダーを用いて、訓練用およびテスト用の署名からディープ表現を抽出する。
• 各ユーザーごとに1クラス分類器を適用し、そのユーザーの本物署名の分布をモデル化する。
• 自己学習戦略を採用し、微調整にラベル付きデータを必要とせずに意味のある特徴を学習する。
• 符号化された特徴に基づいて署名記述子を構築し、空間的変化に不変で、一般化性能が向上するようにする。
• 1クラス分類フレームワークを用いてシステムを訓練およびテストし、本物署名と偽物署名を区別する。

実験結果

リサーチクエスチョン

• RQ1 限られたラベル付きデータで、自己教師付きディープ表現アプローチがオンライン署名検証の精度を向上させられるか？
• RQ2 スパースオートエンコーダーに基づく特徴抽出器は、判別的な署名特徴をどれほど効果的に捉えられるか？
• RQ3 1クラス分類器アプローチは、署名検証における誤って拒否される率（FRR）と誤って承認される率（FAR）をどれほど低減できるか？
• RQ4 提案手法は再トレーニングなしで、異なる署名データセットに一般化可能か？
• RQ5 誤り率低減および精度の観点から、提案手法は最先端の手法と比べてどのように優れているか？

主な発見

• SVC2004データセットにおいて、提案手法は最先端の手法と比較して顕著な誤り率の低減を達成した。
• SUSIGデータセットでは、強固なディープ特徴抽出のおかげで、検証精度が向上した。
• スパースオートエンコーダーを用いた自己教師付き学習により、大規模なラベル付きデータセットへの依存が減少した。
• 1クラス分類器フレームワークは、高い精度でユーザー固有の署名パターンを効果的にモデル化した。
• 異なる署名データセット間での一般化能力が強く、データセットに依存しないことを示した。
• 誤って拒否される率と誤って承認される率の両面で、従来の手法を上回る性能を示した。