[論文レビュー] Online Signature Verification using Recurrent Neural Network and Length-normalized Path Signature

Songxuan Lai, Lianwen Jin+1 more|arXiv (Cornell University)|May 19, 2017

Handwritten Text Recognition Techniques参考文献 19被引用数 5

ひとこと要約

本稿では、再帰ニューラルネットワーク（RNN）と長さ正規化パス記述子（LNPS）を組み合わせた新しいオンライン署名検証システムを提案し、性能を向上させている。三重項損失およびセンター損失を用いたメトリック学習により、RNNはクラス内変動を最小限に抑え、熟練した偽造品から分離する特徴を学習する。複数のデータセットを統合して訓練することで、SVC-2004データセットで2.37%の等誤差率（EER）という最先端の性能を達成した。

ABSTRACT

Inspired by the great success of recurrent neural networks (RNNs) in sequential modeling, we introduce a novel RNN system to improve the performance of online signature verification. The training objective is to directly minimize intra-class variations and to push the distances between skilled forgeries and genuine samples above a given threshold. By back-propagating the training signals, our RNN network produced discriminative features with desired metrics. Additionally, we propose a novel descriptor, called the length-normalized path signature (LNPS), and apply it to online signature verification. LNPS has interesting properties, such as scale invariance and rotation invariance after linear combination, and shows promising results in online signature verification. Experiments on the publicly available SVC-2004 dataset yielded state-of-the-art performance of 2.37% equal error rate (EER).

研究の動機と目的

• 大きなクラス内変動と熟練した偽造品に対処することで、オンライン署名検証の性能を向上させること。
• 線形変換後にスケール不変および回転不変となる新しい特徴記述子LNPSを開発すること。
• メトリック学習を通じて判別的特徴を学習し、クラス内変動を最小限に抑え、クラス間マージンを最大化するRNNベースのシステムを設計すること。
• 複数のデータセットにわたる統合訓練により、知識の転送を可能にし、汎化性能と性能を向上させること。
• ベンチマーク用SVC-2004データセットで最先端の性能を達成すること。

提案手法

• LNPS記述子は、パス記述子からパス長で反復積分を正規化することでスケール不変性を達成する。
• サイズWのスライディングウインドウにより署名から局所的セグメントを抽出し、各セグメントに対してレベルmまでパス記述子を計算する。
• RNNシステムは三重項損失とセンター損失を用い、クラス内変動を最小化し、熟練した偽造品を本物のサンプルからマージン以上に分離する。
• 特徴の汎化性と表現学習を向上させるために、複数のデータセット（SVC-2004およびMCYT-100）を統合して訓練する。
• 最終的な特徴表現は、RNNに供給されるLNPSベクトルの系列であり、順序付きモデリングと分類に用いられる。
• 意思決定にはコサイン類似度のしきい値を用い、本物の署名と偽造品を区別する。

実験結果

リサーチクエスチョン

• RQ1 LNPSのような新しい記述子は、オンライン署名検証のロバスト性と判別力の向上に寄与するか？
• RQ2 メトリック学習を用いたRNNベースのシステムは、従来のDTWおよびHMM手法を上回る性能を発揮するか？
• RQ3 複数のデータセットにわたる統合訓練は、RNNシステムの汎化性能と性能を向上させるか？
• RQ4 LNPS記述子は、スケールおよび回転不変性をどの程度向上させるか？
• RQ5 提案されたシステムは、SVC-2004ベンチマークで最先端の性能を達成できるか？

主な発見

• 提案されたRNNシステムにLNPSを組み合わせることで、SVC-2004データセットで2.37%の等誤差率（EER）という最先端の性能を達成した。
• MCYT-100データを統合して訓練することで、外部データなしの3.58%から、100人のMCYT-100クライアントを用いた2.37%にEERが低下した。
• x-y座標のみを用いたにもかかわらず、圧力などの追加特徴を用いた従来の手法を上回った。
• 訓練データが増えるにつれてEERが低下し、強力なデータスケーラビリティと転移学習の可能性を示した。
• 未学習のクライアントにおいても、本物と偽造のスコアがきつく分離しており、一部のクライアントではスコアの重複が見られたが、全体として良好な分離性を示した。
• LNPS記述子は、スケール不変性および線形結合後の回転不変性という有望な特性を示し、ロバスト性を向上させた。