[論文レビュー] OSVNet: Convolutional Siamese Network for Writer Independent Online Signature Verification

Chandra Sekhar, Prerana Mukherjee+2 more|arXiv (Cornell University)|Mar 30, 2019

Handwritten Text Recognition Techniques参考文献 27被引用数 5

ひとこと要約

本論文では、メトリックベースの損失関数を通じて判別的特徴表現を学ぶ、深層畳み込みシアン方式ネットワークに基づく、著者非依存のオンライン署名検証フレームワークであるOSVNetを提案する。個人内変動を最小限に抑え、個人間の差を最大化することで、MCYT-100、MCYT-330、SVC-2004-Task2データセットで最先端の性能を達成し、MCYT-330では92.7%の等誤差率を達成するとともに、ワンショット学習能力も優れている。

ABSTRACT

Online signature verification (OSV) is one of the most challenging tasks in writer identification and digital forensics. Owing to the large intra-individual variability, there is a critical requirement to accurately learn the intra-personal variations of the signature to achieve higher classification accuracy. To achieve this, in this paper, we propose an OSV framework based on deep convolutional Siamese network (DCSN). DCSN automatically extracts robust feature descriptions based on metric-based loss function which decreases intra-writer variability (Genuine-Genuine) and increases inter-individual variability (Genuine-Forgery) and directs the DCSN for effective discriminative representation learning for online signatures and extend it for one shot learning framework. Comprehensive experimentation conducted on three widely accepted benchmark datasets MCYT-100 (DB1), MCYT-330 (DB2) and SVC-2004-Task2 demonstrate the capability of our framework to distinguish the genuine and forgery samples. Experimental results confirm the efficiency of deep convolutional Siamese network based OSV by achieving a lower error rate as compared to many recent and state-of-the art OSV techniques.

研究の動機と目的

• オンライン署名検証における高い個人内変動の課題に対処すること。
• 事前の偽物署名データを必要とせずに、オンライン署名検証におけるワンショット学習を可能にすること。
• シアンアーキテクチャにおける共有重みを通じて、モデルの複雑さと過学習のリスクを低減すること。
• 真正-真正の類似度を最小限に抑え、真正-偽物の不類似度を最大化することで、判別的特徴学習を向上させること。
• MCYT-100、MCYT-330、SVC-2004-Task2を含む複数のベンチマークデータセット上でフレームワークを評価すること。

提案手法

• フレームワークは、共有重みを持つシアン畳み込みニューラルネットワークを用い、2つの入力署名を同時に処理する。
• 類似する署名（真正-真正）を特徴空間で近づけ、類似しないもの（真正-偽物）を遠ざけるメトリックベースの損失関数を採用する。
• 局所的な署名ポイント（x, y, 圧力、方位角）から、最大速度、平均圧力、加速度の標準偏差といったグローバル特徴を抽出する。
• モデルは、個々の署名を分類するのではなく、類似度メトリックを学習するように、署名ペア上でエンドツーエンドで訓練される。
• 訓練ユーザー数の変動、特に1ユーザーあたり1つの真正署名でのワンショットシナリオを含む、さまざまな訓練条件でアーキテクチャを評価する。
• フレームワークは、MCYT-100（100ユーザー）、MCYT-330（330ユーザー）、SVC-2004-Task2（100ユーザー）の3つのベンチマークデータセットでテストされた。

実験結果

リサーチクエスチョン

• RQ1 シアンCNNベースのフレームワークは、個人内変動を最小限に抑えることで、オンライン署名検証に適した判別的特徴を効果的に学習できるか？
• RQ2 提案されたフレームワークは、事前の偽物署名データを必要とせずにワンショット学習をサポートできるか？
• RQ3 訓練サンプル数が異なるさまざまなデータセットで、モデルの性能はどのように変化するか？
• RQ4 メトリックベースの損失関数は、特徴空間における個人内変動を顕著に低減し、個人間の差を拡大できるか？
• RQ5 標準ベンチマークにおいて、等誤差率とAUCの観点から、提案モデルは最先端の手法と比較して優れているか？

主な発見

• 提案されたOSVNetは、MCYT-330データセットで92.7%の等誤差率を達成し、先行する最先端モデルを上回った。
• MCYT-100では、Peiら[21]が報告した過去最高の81.6%を上回る78.6%の等誤差率を達成した。
• モデルは強力なワンショット学習能力を示し、1人のユーザーの署名でのみ学習した場合でも、ピークAUC値を達成した。
• MCYT-100で70人のユーザーで学習した際、受信者操作特性曲線（ROC）下の面積（AUC）は、「真正および偽物」の組み合わせで約0.95に達した。
• SVC-2004-Task2データセットでも高い性能を維持し、限られたデータでも有効性が確認された。
• シアンアーキテクチャにより、二重ネットワーク間の共有重みのおかげで、モデルパラメータ数が著しく削減され、過学習のリスクも低減された。