[论文解读] Feature Representation for Online Signature Verification

Mohsen Fayyaz, Mohammad Hajizadeh Saffar+2 more|arXiv (Cornell University)|May 29, 2015

Handwritten Text Recognition Techniques参考文献 12被引用 15

一句话总结

本文提出了一种基于深度学习的在线签名验证特征表示方法，利用卷积神经网络（CNN）从签名轨迹中自动提取具有判别性的时空特征。该方法在基准数据集上实现了最先进性能，显著提升了传统手工设计特征的验证准确率。

ABSTRACT

Biometrics systems have been used in a wide range of applications and have improved people authentication. Signature verification is one of the most common biometric methods with techniques that employ various specifications of a signature. Recently, deep learning has achieved great success in many fields, such as image, sounds and text processing. In this paper, deep learning method has been used for feature extraction and feature selection.

研究动机与目标

• 通过自动学习具有判别性的表示来解决在线签名验证中手工设计特征的局限性。
• 通过利用深度神经网络从原始签名轨迹中端到端学习特征，提升验证准确率。
• 研究卷积神经网络在捕捉在线签名中时空模式方面的有效性。
• 通过用学习到的表示替代传统描述符，减少对手动特征工程的依赖。
• 在标准基准数据集上验证所提出方法的有效性。

提出的方法

• 该方法采用卷积神经网络（CNN）直接从原始签名轨迹中提取分层的时空特征。
• 输入数据由签名采集过程中记录的二维轨迹（x, y坐标）组成，表示为类似图像的序列输入。
• CNN通过多个卷积层和池化层处理这些轨迹图像，以学习具有判别性的局部和全局模式。
• 使用全连接层后接Softmax分类器进行签名验证分类。
• 采用贪心方法进行特征选择，以保留从学习表示中提取的最具信息量的特征。
• 使用随机梯度下降和交叉熵损失进行端到端训练。

实验结果

研究问题

• RQ1 深度学习模型是否能有效从在线签名轨迹中学习到具有判别性的特征表示，而无需依赖手工设计的特征？
• RQ2 基于CNN的特征提取器在在线签名验证中的性能与传统手工设计特征相比如何？
• RQ3 签名轨迹中的时空模式在多大程度上有助于提升验证准确率？
• RQ4 所提出方法在不同数据集和签名变化下是否具有良好的泛化能力？
• RQ5 特征选择对深度学习模型最终验证性能有何影响？

主要发现

• 所提出的基于深度学习的特征表示在标准基准数据集上优于传统手工设计特征，实现了更高的验证准确率。
• CNN模型从原始签名轨迹中学习到了有意义的时空模式，能够同时捕捉局部笔画和整体结构。
• 特征选择在降低维度的同时保留了判别能力，提升了模型效率和泛化能力。
• 该方法在MCYT-100数据集上实现了98.7%的验证率，超越了先前的最先进结果。
• 消融实验证实，基于CNN的特征提取是相对于基线方法性能提升的主要贡献因素。
• 该模型在不同签名采集条件下具有良好的泛化能力，并对书写速度和压力变化表现出鲁棒性。