[논문 리뷰] Online Signature Verification using Deep Representation: A new Descriptor

Mohammad Hajizadeh Saffar, Mohsen Fayyaz외 2명|arXiv (Cornell University)|2018. 06. 24.

Handwritten Text Recognition Techniques참고 문헌 10인용 수 9

한 줄 요약

이 논문은 희소 autoencoder와 one-class 분류기를 사용한 self-taught 학습을 통해 온라인 서명 검증을 위한 딥 리プレゼン테이션 기반 서명 서술자(Descriptor)를 제안한다. 레이블이 없는 서명으로 사전 훈련하고 분류 가능한 특징을 추출함으로써, 이 방법은 SVC2004 및 SUSIG 데이터셋에서 최신 기술 수준의 정확도를 달성하며, 강력하고 데이터셋에 종속되지 않는 특징 학습을 통해 오류율을 크게 감소시킨다.

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.

연구 동기 및 목표

• 온라인 서명 검증에서 훈련 샘플 수의 제한 문제를 해결하기 위해.
• 서면 스타일과 압력의 변동에도 불구하고 서명 표현의 공간 불변성을 확보하기 위해.
• 레이블이 있는 데이터에 대한 의존도를 줄이기 위해 self-taught 학습 프레임워크를 개발하기 위해.
• 사용자별로 고유한 서명을 분류 가능한 딥 특징으로 모델링하여 검증 정확도를 향상시키기 위해.
• 다양한 데이터셋에 적용 가능한 강력하고 일반화 능력이 뛰어난 서명 서술자를 구축하기 위해.

제안 방법

• 큰 규모의 레이블이 없는 온라인 서명 데이터셋을 대상으로 희소 autoencoder를 사전 훈련하여 저차원의 분류 가능한 특징을 학습하기 위해.
• 학습된 autoencoder의 인코더를 사용하여 훈련 및 테스트 서명 모두에서 깊이 있는 표현을 추출하기 위해.
• 각 사용자별로 진짜 서명의 분포를 모델링하기 위해 one-class 분류기를 사용자별로 적용하기 위해.
• 레이블이 없는 데이터를 위한 미세조정이 필요 없이 의미 있는 특징을 학습할 수 있도록 self-thought 학습 전략을 적용하기 위해.
• 인코딩된 특징 기반으로 공간 변화에 대한 불변성을 확보하고 일반화 능력을 향상시킬 수 있는 서명 서술자를 구성하기 위해.
• 진짜 서명과 위조 서명을 구분할 수 있도록 one-class 분류 프레임워크를 사용해 시스템을 훈련하고 테스트하기 위해.

실험 결과

연구 질문

• RQ1 제한된 레이블이 있는 데이터로도 self-taught 딥 리プレゼン테이션 접근 방식이 온라인 서명 검증 정확도를 향상시킬 수 있는가?
• RQ2 희소 autoencoder 기반의 특징 추출기가 분류 가능한 서명 특징을 얼마나 효과적으로 포착하는가?
• RQ3 one-class 분류기 접근 방식이 서명 검증에서 임의의 기각률과 오류 수용률을 얼마나 줄이는가?
• RQ4 제안된 방법은 재훈련 없이도 다양한 서명 데이터셋 간에 일반화 가능한가?
• RQ5 오류 감소 및 정확도 측면에서 제안된 서술자가 최신 기술 수준의 방법보다 어떻게 비교되는가?

주요 결과

• 제안된 방법은 SVC2004 데이터셋에서 최신 기술 수준의 접근 방식보다 뚜렷한 오류 감소를 달성한다.
• SUSIG 데이터셋에서는 강력한 딥 특징 학습 덕분에 검증 정확도가 향상됨을 보여준다.
• 희소 autoencoder를 통한 self-taught 학습은 대규모 레이블이 있는 데이터셋에 대한 의존도를 감소시킨다.
• one-class 분류기 프레임워크는 높은 정밀도로 사용자 고유의 서명 패턴을 효과적으로 모델링한다.
• 이 방법은 다양한 서명 데이터셋 간에 강력한 일반화 능력을 보이며, 데이터셋에 종속되지 않는다는 것을 시사한다.
• 딥 리プレゼン테이션 서술자는 기존 방법들보다 오류 기각률과 오류 수용률 측면에서 모두 뛰어난 성능을 보인다.