基于SVM的多匹配器融合离线签名识别

基于统计学习理论的多分类器融合离线签名识别

Offline Signature Identification by Fusion of Multiple Classifiers using Statistical Learning Theory

本文采用支持向量机（SVM）融合多个分类器的离线签名系统。从签名图像中提取全局和局部特征，并借助高斯经验规则、欧氏距离和马氏距离分类器对签名进行验证。SVM用于融合这些匹配器的匹配得分。最后，通过将查询签名与数据库的所有签名进行比较来识别查询签名。该系统进行了测试的签名数据库包含5400离线签名的600个人，结果被发现是有前途的。

基于深度卷积神经网络特征的离线签名验证

A writer-independent approach for offline signature verification using deep convolutional neural networks features

使用深度卷积神经网络（CNN）提取的特征与作家相关（WD）SVM分类器相结合，与以前的最先进的方法相比，显著提高了手写签名验证（HSV）的性能。在这项工作中，它的研究是否使用这些CNN功能提供良好的结果，在一个独立的作家（WI）HSV的上下文中，基于二分法变换结合使用的SVM独立的分类器。在巴西和GPDS数据集上进行的实验表明，（i）所提出的方法优于文献中的其他WI-HSV方法，（ii）在全局阈值情况下，所提出的方法能够在巴西数据集中优于具有CNN特征的依赖于作者的方法，（iii）在用户阈值情况下，结果与具有CNN特征的依赖于作者的方法相似。

主动迁移学习用于波斯语离线签名验证

Active Transfer Learning for Persian Offline Signature Verification

离线签名验证（OSV）仍然是一个具有挑战性的模式识别任务，特别是在培训期间无法获得熟练的fortunes。当存在小的标记训练数据可用但具有大的个人内变化时，该挑战加剧。在这项研究中，我们解决这个问题，采用主动学习的方法，选择最翔实的实例标记，从而大大减少了人类的标记工作。我们提出的OSV包括三个步骤：特征学习，主动学习和最终验证。我们受益于使用预训练的CNN进行特征学习的迁移学习。我们还提出了基于支持向量机的主动学习，为每个用户分离他的真实签名从随机的forecast。最后，我们使用支持向量机来验证有问题的签名的真实性。我们在UTSig：波斯离线签名数据集上检查了我们提出的主动迁移学习方法。与随机选择实例相比，我们实现了近13%的改进。我们的结果还显示，与最先进的方法相比，改进了1%，在该方法中，使用了每个用户多五个标记实例的完全监督设置。

基于区域加权游程特征的脱机手写梵文数字识别

Recognition of Offline Handwritten Devanagari Numerals using Regional Weighted Run Length Features

手写体罗马字符和数字的识别在过去的几十年里得到了广泛的研究，其准确性达到了令人满意的状态。但是，在谈论印度最受欢迎的文字之一的梵文脚本时，情况就不同了。本文提出了一个高效的手写梵文数字识别系统。该系统使用了一种新的196元素的掩模定向（MOD）的识别目的的功能。该方法进行了测试，使用5个传统的分类器上6000个手写数字样本。在应用3折交叉验证方案，该系统产生最高的识别准确率为95.02%，使用支持向量机（SVM）分类器。

基于CNN多丢失快照加密的离线签名验证的多表征学习

Multi-Representational Learning for Offline Signature Verification using Multi-Loss Snapshot Ensemble of CNNs

离线签名验证（OSV）是一项具有挑战性的模式识别任务，特别是在培训期间无法获得熟练的签名人员的情况下。本研究旨在通过研究卷积神经网络（CNN）的不同损失函数来解决其挑战并满足OSV泛化的实质性需求。我们通过提出两个问题来采用我们对OSV的新方法：1。哪种分类损失为OSV中的特征学习提供了更多的泛化能力？和2.如何将不同的损失集成到一个统一的多损失函数中，从而改进学习框架？基于对交叉熵、Cauchy-Schwarz散度和铰链损失三种损失函数的分析，对这些问题进行了研究。根据这些损失的互补特征，我们将它们组合成一个动态多损失函数，并提出了一种新的集成框架，用于在CNN中同时使用它们。我们提出的多丢失快照Entrance（MLSE）由几个连续的试验。在每次试验中，从多损失集合中选择一个占主导地位的损失函数，剩余的损失作为正则化器。不同的试验基于签名识别任务学习每个输入的不同表示。然后将该多表示集用于验证任务。在这些表示上训练SVM的集合，并且根据为每个用户选择的最可推广的SVM来最终组合它们的决策。我们基于OSV的两种不同协议进行了两组实验，即，在三个签名数据集上的依赖于作者和独立于作者的签名：GPDS-Synthetic、MCYT和UT-SIG。基于作者相关的OSV协议，我们取得了实质性的改进，在文献中最好的EER。第二组实验的结果也证实了对在OSV系统中注册的新用户的到来的鲁棒性。

Intrapersonal Parameter Optimization for Offline Handwritten Signature Augmentation

Usually, in a real-world scenario, few signature samples are available to train an automatic signature verification system (ASVS). However, such systems do indeed need a lot of signatures to achieve an acceptable performance. Neuromotor signature duplication methods and feature space augmentation methods may be used to meet the need for an increase in the number of samples. Such techniques manually or empirically define a set of parameters to introduce a degree of writer variability. Therefore, in the present study, a method to automatically model the most common writer variability traits is p…