點(diǎn)擊上方“AI搞事情”關(guān)注我們

---

?

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

?

介紹

堪稱是世界上第一個(gè)可以在GPDS手寫簽名數(shù)據(jù)庫(kù)（世界最新、最大的手寫簽名數(shù)據(jù)庫(kù)，也是鑒定最為困難的數(shù)據(jù)庫(kù)）上鑒定準(zhǔn)確率達(dá)到“可用”級(jí)別的算法。

簽字識(shí)別：分為在線簽字識(shí)別，和離線簽字識(shí)別，本文針對(duì)離線的靜態(tài)圖像進(jìn)行筆跡識(shí)別。

用戶依賴：分為依賴于用戶和不依賴用戶，本文對(duì)簽字?jǐn)?shù)據(jù)集訓(xùn)練用戶無(wú)關(guān)的識(shí)別模型，可以對(duì)新用戶簽字進(jìn)行字跡鑒別。

主要?jiǎng)?chuàng)新在于將2-ChannelCNN（雙通道卷積神經(jīng)網(wǎng)絡(luò)）模型引入到筆跡對(duì)比中，比原來(lái)的CNN-Siamese（孿生卷積網(wǎng)絡(luò)）模型在EER（等錯(cuò)率）從22.24%降到了9.95%，推斷速度提高了2倍，訓(xùn)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(chǔ)模型

「孿生網(wǎng)絡(luò)」：度量學(xué)習(xí)方式，包含兩個(gè)特征提取的分支，分支共享一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)與權(quán)重，兩個(gè)分支的輸出用來(lái)衡量?jī)蓚€(gè)輸入的相似度，通常用距離進(jìn)行度量，比如歐式距離，訓(xùn)練損失采用對(duì)比損失（Contrastive Loss）。

「雙通道網(wǎng)絡(luò)」：兩個(gè)輸入被合并為一個(gè)雙通道圖像，作為一個(gè)單網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)一開(kāi)始就學(xué)習(xí)兩個(gè)輸入的相似度，而不是通過(guò)最后進(jìn)行特征相似度比較。同時(shí)，達(dá)到了減少參數(shù)搜索空間，提升收斂速度的效果。傳統(tǒng)雙通道網(wǎng)絡(luò)經(jīng)過(guò)全局平均池化，只輸出兩個(gè)輸入數(shù)據(jù)的相似度得分。運(yùn)用以下的損失函數(shù)進(jìn)行訓(xùn)練模型權(quán)重。第一項(xiàng)為正則項(xiàng)，第二項(xiàng)是label（匹配為1、不匹配為-1），為網(wǎng)絡(luò)輸出。

本文模型

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

采用常用的softmax損失對(duì)距離進(jìn)行監(jiān)督學(xué)習(xí)：

主干網(wǎng)絡(luò)采用「Inception-V3」結(jié)構(gòu)（整個(gè)網(wǎng)絡(luò)就是一個(gè)Inception-V3），為避免過(guò)擬合，增加了3個(gè)dropout層，網(wǎng)絡(luò)結(jié)構(gòu)如下：

網(wǎng)絡(luò)結(jié)構(gòu)

「預(yù)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(duì)齊，像素反轉(zhuǎn)，背景去除，二值化等預(yù)處理操作。

「模型訓(xùn)練」：在簽名數(shù)據(jù)集中存在樣本不均衡問(wèn)題，同一個(gè)用戶的仿寫數(shù)據(jù)對(duì)數(shù)量遠(yuǎn)大于真實(shí)數(shù)據(jù)對(duì)，假設(shè)一個(gè)用戶有M個(gè)真實(shí)簽字樣本，N個(gè)冒寫數(shù)據(jù)樣本，那么真實(shí)簽字樣本有對(duì)，

冒寫數(shù)據(jù)對(duì)有個(gè)：
作者采用對(duì)冒寫數(shù)據(jù)下采樣的方式，保持正負(fù)樣本對(duì)保持在均衡的狀態(tài)。

「實(shí)驗(yàn)細(xì)節(jié)」：
Tensorflflow 1.7（年代久遠(yuǎn)????），優(yōu)化器：AdamOptimizer，未使用BN，Xavier方法進(jìn)行權(quán)重初始化，batch size：192，初始學(xué)習(xí)率：1e-4，衰減系數(shù)decay：0.9。

「實(shí)驗(yàn)數(shù)據(jù)」：
CEDAR: ?55個(gè)人，24次真實(shí)簽字，24次專業(yè)仿寫簽字，掃描為PNG圖像格式

BHSig260: ?100人孟加拉語(yǔ)，160人印度語(yǔ)，20次真實(shí)簽字，30次專業(yè)仿寫數(shù)據(jù)，TIFF圖像格式

GPDS-Synthetic:?4000用戶，每個(gè)人24次真實(shí)簽字，30次仿寫簽字，JPEG圖像格式

實(shí)驗(yàn)結(jié)果

總的來(lái)說(shuō)，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(guò)擬合加入了dropout，然后輸出兩個(gè)logit分?jǐn)?shù)，并將差值作為距離進(jìn)行監(jiān)督學(xué)習(xí)，最后效果很好，據(jù)說(shuō)在中國(guó)金融認(rèn)證中心（CFCA）已經(jīng)投入使用，用于自動(dòng)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(shí)別論文：逆鑒別網(wǎng)絡(luò)+八路Attention

• PolarMask：單階段實(shí)例分割框架，FCOS進(jìn)階！

• 真正意義的Anchor-Free，FCOS目標(biāo)檢測(cè)算法了解一下

• 論文創(chuàng)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(duì)你眨眨眼
  

長(zhǎng)按二維碼關(guān)注我們

有趣的靈魂在等你

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。