點擊上方“AI搞事情”關注我們

---

?

「論文名稱」：《DeepHSV: User-Independent Offline Signature Verification Using Two-Channel CNN》
「開源代碼」：https://github.com/dlutkaka/DeepHSV

?

介紹

堪稱是世界上第一個可以在GPDS手寫簽名數據庫（世界最新、最大的手寫簽名數據庫，也是鑒定最為困難的數據庫）上鑒定準確率達到“可用”級別的算法。

簽字識別：分為在線簽字識別，和離線簽字識別，本文針對離線的靜態圖像進行筆跡識別。

用戶依賴：分為依賴于用戶和不依賴用戶，本文對簽字數據集訓練用戶無關的識別模型，可以對新用戶簽字進行字跡鑒別。

主要創新在于將2-ChannelCNN（雙通道卷積神經網絡）模型引入到筆跡對比中，比原來的CNN-Siamese（孿生卷積網絡）模型在EER（等錯率）從22.24%降到了9.95%，推斷速度提高了2倍，訓練效率提高了4倍，且具有更好的魯棒性。

2-ChannelCNN(左) ?CNN-Siamese(右)

基礎模型

「孿生網絡」：度量學習方式，包含兩個特征提取的分支，分支共享一個網絡結構與權重，兩個分支的輸出用來衡量兩個輸入的相似度，通常用距離進行度量，比如歐式距離，訓練損失采用對比損失（Contrastive Loss）。

「雙通道網絡」：兩個輸入被合并為一個雙通道圖像，作為一個單網絡的輸入，網絡一開始就學習兩個輸入的相似度，而不是通過最后進行特征相似度比較。同時，達到了減少參數搜索空間，提升收斂速度的效果。傳統雙通道網絡經過全局平均池化，只輸出兩個輸入數據的相似度得分。運用以下的損失函數進行訓練模型權重。第一項為正則項，第二項是label（匹配為1、不匹配為-1），為網絡輸出。

本文模型

「2-Channel-2-Logit Network」：基于雙通道網絡，作者提出了輸出兩個logit的雙通道雙logit網絡，將兩個輸出的距離作為兩個輸入圖像的相似度。

采用常用的softmax損失對距離進行監督學習：

主干網絡采用「Inception-V3」結構（整個網絡就是一個Inception-V3），為避免過擬合，增加了3個dropout層，網絡結構如下：

網絡結構

「預處理」：考慮一般簽字圖像的比例與書寫方向，利用雙線性插值將圖像縮放到高度為155，寬度為220的固定大小。未做裁剪、對齊，像素反轉，背景去除，二值化等預處理操作。

「模型訓練」：在簽名數據集中存在樣本不均衡問題，同一個用戶的仿寫數據對數量遠大于真實數據對，假設一個用戶有M個真實簽字樣本，N個冒寫數據樣本，那么真實簽字樣本有對，

冒寫數據對有個：
作者采用對冒寫數據下采樣的方式，保持正負樣本對保持在均衡的狀態。

「實驗細節」：
Tensorflflow 1.7（年代久遠????），優化器：AdamOptimizer，未使用BN，Xavier方法進行權重初始化，batch size：192，初始學習率：1e-4，衰減系數decay：0.9。

「實驗數據」：
CEDAR: ?55個人，24次真實簽字，24次專業仿寫簽字，掃描為PNG圖像格式

BHSig260: ?100人孟加拉語，160人印度語，20次真實簽字，30次專業仿寫數據，TIFF圖像格式

GPDS-Synthetic:?4000用戶，每個人24次真實簽字，30次仿寫簽字，JPEG圖像格式

實驗結果

總的來說，本文借鑒了雙通道做圖像相似度比較的思想（2015年CVPR文章），采用了Inception-V3作為backbone，為防止過擬合加入了dropout，然后輸出兩個logit分數，并將差值作為距離進行監督學習，最后效果很好，據說在中國金融認證中心（CFCA）已經投入使用，用于自動審核客戶在電子合同中手寫簽字的有效性。

推薦閱讀

• CVPR 2019筆跡識別論文：逆鑒別網絡+八路Attention

• PolarMask：單階段實例分割框架，FCOS進階！

• 真正意義的Anchor-Free，FCOS目標檢測算法了解一下

• 論文創新，可以看看這幾篇去雨文章是怎么做的

• 眨眼算什么，讓蒙娜麗莎像你一樣嘮上嗑才算硬核

• 抖音同款白眼特效，DeepWarp讓蒙拉麗莎對你眨眨眼
  

長按二維碼關注我們

有趣的靈魂在等你

總結

以上是生活随笔為你收集整理的DeepHSV：号称可以商用的计算机笔迹鉴别算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。