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

Sounak Dey, Anjan Dutta+4 more|arXiv (Cornell University)|Jul 7, 2017

Handwritten Text Recognition Techniques参考文献 4被引用数 178

ひとこと要約

SigNet は、オフライン署名検証の writer-independent 埋め込みを学習する畳み込み型 Siamese ネットワークを訓練し、複数のベンチマークデータセットで最先端の結果を達成します。

ABSTRACT

Offline signature verification is one of the most challenging tasks in biometrics and document forensics. Unlike other verification problems, it needs to model minute but critical details between genuine and forged signatures, because a skilled falsification might often resembles the real signature with small deformation. This verification task is even harder in writer independent scenarios which is undeniably fiscal for realistic cases. In this paper, we model an offline writer independent signature verification task with a convolutional Siamese network. Siamese networks are twin networks with shared weights, which can be trained to learn a feature space where similar observations are placed in proximity. This is achieved by exposing the network to a pair of similar and dissimilar observations and minimizing the Euclidean distance between similar pairs while simultaneously maximizing it between dissimilar pairs. Experiments conducted on cross-domain datasets emphasize the capability of our network to model forgery in different languages (scripts) and handwriting styles. Moreover, our designed Siamese network, named SigNet, exceeds the state-of-the-art results on most of the benchmark signature datasets, which paves the way for further research in this direction.

研究の動機と目的

• writer-independent な状況で頑健なオフライン署名検証を動機づける。
• 識別性の高い署名埋め込みを学習する Siamese CNN アーキテクチャを提案する。
• コントラスト損失を用いて真のペアを近づけ、偽造を遠ざける。
• 複数の公開データセットで評価し、ドメイン横断的な一般化とデータセット固有の長所を示す。

提案手法

• 署名画像を 155x220 にリサイズし、反転させ、正規化する前処理を行う。
• 重みを共有したツイン CNN (SigNet) を用いて署名を 128 次元空間に埋め込む。
• 似たペアの距離を最小化し、異なるペアのマージンを最大化するようコントラスト損失で訓練する。
• Krizhevsky らの手法に触発されたアーキテクチャを採用し、11x11、5x5、3x3 のカーネルとドロップアウトを用いる。
• 訓練データを、同類ペア (genuine,genuine) と異類ペア (genuine,forgery) を等数に保つようにバランスを取る。
• 距離閾値を用いて類似ペアと非類似ペアを分離し、閾値ごとの最大精度を報告する。

実験結果

リサーチクエスチョン

• RQ1 多様な筆算と作成者を跨いだ署名に対して、writer-independent な Siamese CNN は頑健な署名埋め込みを学習できるか？
• RQ2 標準的なオフライン署名データセットで SigNet は最先端手法を上回るか？
• RQ3 データセット横断およびスクリプト横断シナリオでモデルはどれほど一般化できるか？

主な発見

データベース	手法	#署名者	精度	偽陽性率	偽陰性率
CEDAR Signature Database	Word Shape (GSC) (Kalera et al.)	55	78.50	19.50	22.45
CEDAR Signature Database	Zernike moments (Chen and Srihari)	55	83.60	16.30	16.60
CEDAR Signature Database	Graph matching (Chen and Srihari)	55	92.10	8.20	7.70
CEDAR Signature Database	Surroundedness features (Kumar et al.)	55	91.67	8.33	8.33
CEDAR Signature Database	Compact correlated features (Dutta et al.)	55	100.00	0.00	0.00
CEDAR Signature Database	SigNet	55	100.00	0.00	0.00
GPDS 300 Signature Corpus	FerrER et al.	160	86.65	12.60	14.10
GPDS 300 Signature Corpus	Vargas et al.	160	87.67	14.66	10.01
GPDS 300 Signature Corpus	Solar et al.	160	84.70	14.20	16.40
GPDS 300 Signature Corpus	Kumar et al.	300	86.24	13.76	13.76
GPDS 300 Signature Corpus	Dutta et al.	300	88.79	11.21	11.21
GPDS 300 Signature Corpus	SigNet	300	76.83	23.17	23.17
GPDS 300 Signature Corpus	SigNet (unskilled forged)	300	65.36	34.64	34.64
GPDS Synthetic Signature Corpus	Dutta et al.	4000	73.67	28.34	27.62
GPDS Synthetic Signature Corpus	SigNet	4000	77.76	22.24	22.24
Bengali	Pal et al.	100	66.18	33.82	33.82
Bengali	Dutta et al.	100	84.90	15.78	14.43
Bengali	SigNet	100	86.11	13.89	13.89
Hindi	Pal et al.	100	75.53	24.47	24.47
Hindi	Dutta et al.	100	85.90	13.10	15.09
Hindi	SigNet	100	84.64	15.36	15.36

• SigNet は CEDAR、GPDS Synthetic、ベンガル語データセットを含むいくつかのベンチマークで最先端の精度を達成する。
• GPDS-300 では、SigNet の性能は他手法と比べて低下しており、データセット固有のスタイル多様性が訓練に影響を与えることを示唆する。
• データセット跨ぎの実験では、モデルを同じデータセットで訓練した場合に最高精度を示すが、事前訓練済みモデルはデータが限られる場合に堅牢な出発点を提供する。
• SigNet は GPDS Synthetic、ベンガリ語、CEDAR データセットで従来手法を上回る。
• 未熟な偽造訓練は genuine-forged 訓練と比べて性能を低下させ、微妙な偽造を捉えるには熟練した偽造例が必要であることを強調する。