[论文解读] Online Signature Verification using Deep Representation: A new Descriptor

Mohammad Hajizadeh Saffar, Mohsen Fayyaz+2 more|arXiv (Cornell University)|Jun 24, 2018

Handwritten Text Recognition Techniques参考文献 10被引用 9

一句话总结

本文提出了一种基于深度表征的签名描述符，用于在线签名验证，采用稀疏自编码器与单类分类器的自教学习方法。通过在无标签签名上进行预训练并提取判别性特征，该方法在SVC2004和SUSIG数据集上实现了最先进水平的准确率，通过鲁棒的、与数据集无关的特征学习显著降低了错误率。

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.

研究动机与目标

• 解决在线签名验证中训练样本有限的挑战。
• 确保在书写风格和压力变化下签名表征的空间不变性。
• 开发一种自教学习框架，以减少对标注数据的依赖。
• 通过使用判别性深度特征建模用户特定签名，提升验证准确率。
• 构建一种鲁棒且可泛化的签名描述符，适用于多种不同数据集。

提出的方法

• 在大量无标签在线签名上预训练稀疏自编码器，以学习低维判别性特征。
• 利用自编码器学习到的编码器从训练和测试签名中提取深度表征。
• 为每位用户应用一个单类分类器，以建模该用户真实签名的分布。
• 采用自教学习策略，使自编码器在无需标注数据进行微调的情况下学习有意义的特征。
• 基于编码特征构建签名描述符，实现对空间变化的不变性并提升泛化能力。
• 采用单类分类框架进行系统训练与测试，以区分真实签名与伪造签名。

实验结果

研究问题

• RQ1 自教学习的深度表征方法是否能在标注数据有限的情况下提升在线签名验证的准确率？
• RQ2 基于稀疏自编码器的特征提取器在捕捉签名判别性特征方面的有效性如何？
• RQ3 单类分类器方法在多大程度上降低了签名验证中的误拒率与误 acceptance 率？
• RQ4 所提出的方法是否能在不重新训练的情况下跨不同签名数据集泛化？
• RQ5 与最先进方法相比，所提出的描述符在错误率降低与准确率方面表现如何？

主要发现

• 与最先进方法相比，该方法在SVC2004数据集上实现了显著的错误率降低。
• 在SUSIG数据集上，由于鲁棒的深度特征学习，该方法表现出更高的验证准确率。
• 通过稀疏自编码器实现的自教学习显著减少了对大规模标注数据集的依赖。
• 单类分类器框架能以高精度有效建模用户特定的签名模式。
• 该方法在不同签名数据集间表现出强大的泛化能力，表明其具有数据集无关性。
• 该深度表征描述符在误拒率与误 acceptance 率方面均优于现有方法。