[논문 리뷰] OSVNet: Convolutional Siamese Network for Writer Independent Online Signature Verification

Chandra Sekhar, Prerana Mukherjee외 2명|arXiv (Cornell University)|2019. 03. 30.

Handwritten Text Recognition Techniques참고 문헌 27인용 수 5

한 줄 요약

이 논문은 깊이 학습된 컨volutional Siamese 네트워크를 기반으로 한(writer-independent) 온라인 서명 검증 프레임워크인 OSVNet을 제안한다. 이 네트워크는 메트릭 기반 손실 함수를 통해 구분 가능한 특징 표현을 학습한다. 개인 간 차이를 최대화하고 개인 내 변동성을 최소화함으로써, MCYT-100, MCYT-330, SVC-2004-Task2 데이터셋에서 최신 기준 성능을 달성하며, MCYT-330에서 92.7%의 동등 오류율을 기록하고, 한 번의 예시 학습 능력이 뛰어나다.

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.

연구 동기 및 목표

• 온라인 서명 검증에서 높은 개인 내 변동성 문제를 해결하기 위해.
• 기존 위조 서명 샘플이 필요 없이 온라인 서명 검증을 위한 한 번의 예시 학습을 가능하게 하기 위해.
• Siamese 아키텍처에서 공유된 가중치를 통해 모델 복잡성과 과적합을 줄이기 위해.
• 진짜-진짜 유사도를 최소화하고 진짜-위조 간 이질성을 최대화함으로써 구분 가능한 특징 학습을 향상시키기 위해.
• MCYT-100, MCYT-330, SVC-2004-Task2를 포함한 여러 벤치마크 데이터셋에서 프레임워크를 평가하기 위해.

제안 방법

• 프레임워크는 공유된 가중치를 가진 Siamese 컨volutional 신경망을 사용하여 두 입력 서명을 동시에 처리한다.
• 유사한 서명(진짜-진짜)은 특징 공간에서 가까워지도록, 비슷하지 않은 서명(진짜-위조)은 멀어지도록 유도하는 메트릭 기반 손실 함수를 적용한다.
• 지역 서명 포인트(x, y, 압력, 방위각)에서 최대 속도, 평균 압력, 가속도의 표준편차와 같은 글로벌 특징을 추출한다.
• 모델은 개별 서명을 분류하는 것이 아니라 유사도 메트릭을 학습하기 위해 서명 쌍으로 엔드 투 엔드로 훈련된다.
• 훈련 사용자 수가 다양한 조건, 특히 한 명의 사용자당 한 개의 진짜 서명만 있는 한 번의 예시 시나리오를 포함하여 아키텍처를 평가한다.
• 프레임워크는 세 가지 벤치마크 데이터셋에서 테스트되었으며, 각각 MCYT-100(100명), MCYT-330(330명), SVC-2004-Task2(100명)이다.

실험 결과

연구 질문

• RQ1 Siamese CNN 기반 프레임워크는 개인 내 변동성이 최소화된 상태에서 온라인 서명 검증을 위한 구분 가능한 특징을 효과적으로 학습할 수 있는가?
• RQ2 제안된 프레임워크는 기존 위조 서명 샘플이 필요 없이 한 번의 예시 학습을 지원하는가?
• RQ3 다양한 수의 훈련 샘플을 가진 다양한 데이터셋에서 모델 성능은 어떻게 되는가?
• RQ4 메트릭 기반 손실 함수는 특징 공간에서 개인 내 변동성을 크게 줄이고 개인 간 차이를 증가시킬 수 있는가?
• RQ5 표준 벤치마크에서 등가 오류율과 AUC 측면에서 제안된 모델은 최신 기준 방법과 비교해 어떻게 성능을 내는가?

주요 결과

• 제안된 OSVNet은 MCYT-330 데이터셋에서 92.7%의 등가 오류율을 기록하여 이전 최신 기준 모델을 능가했다.
• MCYT-100에서 모델은 78.6%의 등가 오류율을 달성했으며, Pei 등 [21]이 보고한 이전 최고 성능인 81.6%를 초월했다.
• 모델은 뛰어난 한 번의 예시 학습 능력을 보였으며, 단 한 명의 사용자 서명만으로도 최고의 AUC 값을 기록했다.
• MCYT-100에서 70명의 사용자로 훈련했을 경우, '진짜 및 위조' 조합의 ROC 곡선 아래 면적(AUC)은 약 0.95에 도달했다.
• SVC-2004-Task2 데이터셋에서도 높은 성능를 유지하여, 제한된 데이터에서의 효과성을 확인했다.
• Siamese 아키텍처는 쌍둥이 네트워크 간 공유된 가중치 덕분에 모델 파라미터 수와 과적합 위험을 크게 감소시켰다.