逆鉴别网络在手写签名鉴别中的应用

43215764逆鉴别网络在手写签名鉴别中的应用Ping Wei, Huan Li, Ping Hu网址：pingwei@xjtu.edu.cn，lh875056558@stu.xjtu.edu.cn，网址：www.example.com，helenhu@xjtu.edu.cn摘要手写签名验证是金融、商业和司法领域的重要本文提出了一种逆鉴别网络（IDN）用于手写签名的鉴别，其目的是通过与参考签名的比较来确定测试签名是真实的还是伪造的测试真的还是假的签名. IDN模型包含四个权值共享的神经网络流，其中两个接收原始特征图像的神经网络流是鉴别流，另外两个寻址灰度反转图像的神经网络流是反向流。注意模块的多条路径将区分流和反向流连接到传播消息。通过引入逆向流和多路径注意模块，增强了签名验证的有效信息。由于社区中没有合适的中文签名数据集，我们收集了一个大规模的中文签名数据集，其中包含749个人签名的约29，000张图像我们在中文签名数据集和其他三种不同语言的签名数据集：CEDAR，BHSig-B和BHSig-H上测试了我们的方法。实验证明了我们的方法的强度和潜力。1. 介绍当全世界每天都有大量重要的金融、商业和司法文件被签署时，验证签名的真实性是一个需要关注的关键问题。鉴于手写签名的数量巨大、应用广泛，开发一种自动、准确、高效的签名验证技术显得尤为重要和必要。本文研究了与作者无关的手写签名验证问题，其目的是通过与签名验证相比较，确定测试签名是真实的还是伪造的。胡晓平为通讯作者。图1.手写签名验证说明。任何作家的参考签名，如图所示。1.虽然在过去的几十年里，签名验证取得了显著首先，缺乏合适的中文签名数据集，阻碍了中文签名验证的研究和应用。第二，在签名图像中，签名的信息是非常稀疏的，因为签名笔划通常非常细，并且图像的大区域是背景。第三，大多数人另一方面，一些巧妙伪造的签名看起来与真实签名非常相似。在 本 文 中 ， 我 们 提 出 了 一 种 新 的 逆 鉴 别 网 络（IDN）模型的手写签名验证的作者无关。该网络包含四个权值共享的流，其中两个流是鉴别流，另外两个流是逆流。两个鉴别流分别接收参考签名图像和测试签名图像作为输入，通过四个级联的卷积模块提取签名特征。两个反向流分别接收反灰度参考和测试签名图像。识别流和逆向流之间通过多路注意模块连接，在不同尺度上传递信息，强化有效笔画信息。从不同的描述特征，参考签名验证43215765利用卷积模块，将原生流和反向流合并为三个不同的特征映射，然后将其馈送到三个完全连接的层以做出决定。整个IDN模型以端到端的方式进行训练。我们的IDN模型引入了两种机制，旨在解决签名的稀疏信息问题。第一种是逆监督机制，它以逆灰度的参考签名和测试签名为输入，促使模型关注签名笔画而不是图像背景。该机制建立在这样一个事实上，即当签名图像的灰度值被反转时，关注签名笔画而不是图像的模型第二种是多路径注意机制，通过不同特征尺度的多个注意模块在反向流和鉴别流之间传播信息。注意力机制旨在加强模型学习和提取签名验证的重要由于社区中没有合适的中文签名数据集，我们收集了 一 个 大 规 模 且 具 有 挑 战 性 的 中 文 签 名 数 据 集（CSD）。 我们在收集的中文签名数据集和其他三个不同语言的公共签名数据集上测试了我们的方法：CEDAR数据集[21]，BHSig-B数据集[27]和BHSig-H[27]。大量的实验证明了所提出的方法的有效性和强度。1.1. 相关工作由于在金融、商业和外汇应用中的重要性，签名验证在过去几十年中得到了广泛的研究[38，34，16，18，8]，并公开发布了许多数据集，如CEDAR [21]、MCYT-75 [14]、BHSig [27]和GPDS [12，13]。怎么-呃，目前国际上还没有大规模的中文签名数据集，这就阻碍了中文签名验证的研究和应用这促使我们收集一个新的中国签名数据集。图像中的几何特征通常用于签名验证[2，10，11，35，34，30，29]，例如签名高度，宽度，面积[2，10，11]或局部补丁特征，例如LBP [35，34，30]和SIFT [29]。这些特征为签名验证奠定了坚实的基础，并在一些数据集上得到了很好的验证.然而，手工制作的特征容易受到噪声和复杂背景的影响，这使得它们在一些复杂数据上的效果较差。为了克服手工特征的缺点，神经网络方法被广泛应用于签名验证[17，18，8，1，37，28，33，22]和相关任务[36，7，23，31]。Hafemann等人[17]利用卷积神经网络以独立于作者的方式学习特征，并提出了一种多任务模型[18]，该模型使用真实签名和foreground来训练网络。Dey等人[8]使用Siamese卷积网络建模了一个离线的独立于作者的签名验证。Alvarez等人[1]提出了一种基于CNN的体系结构，该体系结构将正样本和负样本合并到单个图像中。Zhang等人[37]提出了一种使用深度卷积生成对抗网络的离线签名验证[15]。与传统方法相比，神经网络方法在签名验证方面取得了令人瞩目的成绩然而，大多数现有的方法确实是以图像分类的方式来解决签名验证问题，而不是对签名本身进行建模，这可能会导致对复杂签名图像的错误预测。我们提出了一个四流网络模型，它采用两对签名图像：一对包含参考签名图像和测试签名图像，另一对包含逆灰度参考签名图像和测试签名图像。通过这种策略，我们的模型不仅从签名图像中提取特征，而且还专门挖掘签名笔画信息。签名信息在图像中是非常稀疏的，因为签名通常由细笔划组成。注意机制[32，4，19]是增强弱信息并提高对象和图像识别性能Chen等人 [6]设计了一种反向注意方法来检测显著对象。Huang等人。 [20]利用反向注意机制进行语义分割。受这些注意力模型的启发，我们提出了一种多路径注意力方法，该方法监督模型关注和挖掘签名笔画信息。2. 中文签名数据集由于没有合适的中文签名数据集，我们收集了一个大规模的和具有挑战性的中文签名数据集（CSD）。图中示出了一些示例。2.该数据集包括真实签名和伪造签名。为了收集真实的签名，志愿者们在不同的时间用对于伪造签名，每个名字有10个简单伪造者和10个熟练伪造者。每个名字的简单伪造都是由10名不同的志愿者用自己的写作风格和习惯写的。每个名字的熟练伪造都是书法家在仔细观察、学习和模仿真实签名后写的。所有带有签名的书写纸都被扫描成图像，所有手写签名补丁都被裁剪并调整为具有相同大小的图像样本使用OTSU算法[26]和非标准Bina化，这些签名图像被预处理，使得背景像素值为255（白色），签名笔划保持原始灰度值。这样，每个名字有20个真实的手写签名图像样本和20个伪造的手写签名样本。数据集43215766真实签名样本伪造签名样本图2.我们的中国签名数据集样本。每一行都是同一个名字的签名。左八个样本是真签名，右八个样本是伪造签名。包括七百四十九个姓名及约二万九千个签名图像样本。我们的数据集有几个特点，使其独特和具有挑战性。首先，我们的数据集是一个大规模的中文签名数据集，我们相信这将有助于中文签名验证和其他相关任务的研究。第二，它有大量的个人第三，由于真实的签名是在不同的时间和不同的场景中采集的，因此同一个人的签名可能会出现明显的差异，如图所示。2.另一方面，由于熟练的伪造是由专业书法家写的，伪造的签名可能看起来与真实的签名非常相似。所有这些方面使其成为具有挑战性和有价值的签名数据集。3. 逆判别网络签名笔画是确定签名身份的决定性特征。然而，签名图像的典型特征是图像中用于签名验证的有效信息非常稀疏，这是因为签名笔划通常非常细并且签名图像的大部分是背景。在这种稀疏信息环境下，如果签名笔画信息不能被有效地建模和利用，背景信息将成为主要信息，签名验证将成为一个常见的图像分类问题。因此，如何使模型能够集中于签名笔画而不是背景是签名验证中的一个关键问题。为了解决这个问题，我们提出了一种新的逆向判别网络（IDN）模型。其基本思想是，当签名图像的灰度值被反转时，捕获签名笔划而不是图像本身的特征的鲁棒模型将做出相同的验证决定我们用图3来说明这一点。的图三：逆灰度参考图1：参考签名图二：测试签名图4：逆灰度测试图3.鲁棒的签名验证模型应该对三个参考测试对做出相同的决定，即决策1、决策2和决策3是相同的。图像1和图像2分别是参考签名和具有白色背景的图像3和图像4分别是图像1和图像2的逆灰度图像。四个特征图像产生三个参考测试对：对1（图像1，图像2），对2（图像2，图像3）和对3（图像1，图像4）。将这三对分别作为输入的签名验证模型将输出三个验证决策：决定1、决定2和决定3。由于这三个参考-测试对源自同一对，所以如果含义验证模型被很好地设计用于表征笔划信息而不是图像颜色信息，则它应当对1、对2和对3做出相同的验证决定，即，判定1、判定2和判定3是相同的。例如，与对1相比，对2中的参考签名是灰度反转的。 如果模型关注于对2对1对3决定2决定1决定3模型4321576732一一逆流0/1参考签名测试签名判别流0/10/1逆流图4.所提出的逆判别网络的结构。辨别流和逆向流由多路径注意力（A）模块连接，如红色框所示。通过全局平均池（GAP）层，合并的特征被馈送到全连接（FC）层以计算验证结果。签名笔画信息，它将对对1和对2做出相同的决定，而不管图像颜色。由于这三对具有不同的灰度值，因此公共信息应该与笔划信息相关。用这种策略训练模型将迫使模型专注于签名笔画而不是图像颜色。在这种反向监督思想的驱动下，我们设计了反向判别网络结构。3.1. 架构所提出的逆判别网络（IDN）在图1中示出。4.输入到模型的参考和测试签名图像具有黑色背景和灰色签名笔划。反转图像具有白色背景和灰色笔划。该网络包含四个权重共享流，其中两个是判别流，另外两个是逆流。这两个鉴别流分别以参考签名图像和测试签名图像作为输入，并通过级联卷积模块提取签名特征每个卷积模块包含两个由ReLU函数激活的卷积层（内核大小为3×3，条带为1）和一个最大池化层（内核大小为2×2，条带为2）。每个流中的四个模块的核数分别为32、64、96和128。两个反向流将反向灰度参考和测试签名图像作为输入。s分别。每个反向流具有与鉴别流相同的结构。在辨别流和逆流之间，有八条注意模块路径连接两个流的卷积模块。如图所示的红框。4.每个注意模块由前向过程和后向过程组成。前向处理接收特征输出从卷积模块的第一层中的判别流。后向过程将注意力信息从反向流传播到区分流中的卷积模块的第二层。注意力模块的内部结构将在第3.2节中详细说明。使用三个卷积模块（两个卷积层和一个具有256个内核的最大池化层），来自不同流的特征被合并到三个特征图中，这三个特征图对应于三对：参考签名和测试签名、反灰度参考签名和测试签名、参考签名和反灰度测试签名。通过一个全局平均池（GAP）层，三个合并的功能分别输入到三个全连接层计算验证结果。在IDN体系结构中，鉴别流和反向流通过多路径注意过程紧密相连。通过这些连接，整个IDN模型以端到端的方式进行训练此模型使用两种机制来强制模型关注签名64一特征合并96128256一一一一一间隙FC间隙FC间隙FC逆灰色逆灰色43215768逆流图5.从四个流的级联卷积模块输出的特征图。H分散的本地人流上采样....GHConvh·gh·g+h间隙FCf（h·g+h）×f而不是整个图像。一是反向监督机制。基于签名图像灰度值的反转不应改变验证结果的事实，逆向监督机制将驱动特征提取集中在签名笔画上。第二个是多路径注意机制，它强制模型提取用于签名验证的重要特征。图5示出了从四个流的cas-caded卷积模块输出的一些特征图。该图表明，经过级联注意和反向监督后，签名验证的信息集中在签名笔画周围。3.2. 多路径注意力模块在IDN框架中，八条注意力模块路径在鉴别流和反向流之间传播信息，以迫使模型提取用于签名验证的重要特征。每个注意力模块连接判别流中的卷积模块和反向流中的卷积模块，如图中的红框所示。4.我们的注意力模块受到图像相关任务中先前注意力模型的启发[32，4，19]，但重新设计用于连接区分流和逆向流。图图6示出了注意力模块内部的消息流从反向流中的卷积模块输出的特征图被输入到上采样结构中，该上采样结构利用最近邻算法执行上采样，并利用S形激活执行卷积操作，如图1左侧所示。6.设g为输出上采样结构。假设h是区分流中卷积模块的第一层的输出。在注意力模块中，将h乘以g元素，然后加上h，产生中间注意力测量h·g + h，其中“·”表示元素乘法。 全球平均水平池化（GAP）层和具有S形激活的全连接层（FC）接收中间注意力。（h·g+h）×f判别流图6. IDN框架中的Attention模块。“FC”表示“完全连接”，“GAP”表示“全局平均池化”。‘分别为。计算并输出权向量f，如图右侧所示。6.将中间注意力测量的每个通道乘以f_req的每个元素，生成最终的注意力掩码（h·g+h）×f，其被反馈到区分流中的卷积模块的第二层由于我们的注意力模块连接了鉴别流和逆向流，最终的注意力掩码将引导网络学习鉴别特征进行签名验证，并抑制误导信息。整个IDN体系结构有8路注意模块连接不同的卷积模块，将注意机制应用于不同的规模和分辨率。利用多路径注意机制，增强了签名验证的重要特征。3.3. 损失函数正如我们上面讨论的，如果模型正确地表征了签名笔画信息，则签名验证决策应该与签名图像颜色无关。通过反转签名图像的灰度值，我们的模型为三对图像产生合并特征：参考签名和测试签名、反灰色参考签名和测试签名、参考签名和反灰色测试签名，如图1B所示。4.在训练中，通过强制模型对三对合并特征做出相同的签名验证决策提出了一种基于交叉熵误差的逆监督损失函数。假设y是测试信号的二进制地面真值标签，h·g+h43215769其 中 1 表 示 测试 签 名 是 真 的， 0表 示 伪造 的 。 y∈i（i=1，2，3）是三对参考签名和测试签名的预测概率值分别为反灰度参考签名和测试签名、参考签名和反灰度测试签名。基于二进制分类器的交叉熵误差函数，单个示例的逆监督损失被定义为：Σ3L=−αi[ylnyi+（1−y）ln（1−yi）]，（1）i=1其中αi是调整三个对的权重的超参数反向监督损失具有三个分量，但具有相同的地面真值，这不同于横向交叉熵损失。由于网络的四个流共享参数，模型将被迫关注和挖掘签名笔画信息。4. 实验我们在四个数据集上测试我们的方法：我们的中文签名数据集（CSD），CEDAR数据集[21]，BHSig-B数据集[27]和BHSig-H [27]，它们分别属于四种不同的语言：中文、英文、孟加拉文和印地语。我们还进行了跨语言实验，即：在一种语言的数据集上训练，并在另一种不同语言的数据集上测试。我们基于TensorFlow 1.4平台，使用NIDA 1080Ti和i7-8700 CPU训练模型。我们使用小批量SGD，基本学习率为0.01。4.1. 评估指标我们使用FASLE拒绝率（FRR），错误接受率（FAR），等错误率（EER），曲线下面积（AUC）和准确性（Acc）来全面评估我们的方法，并将其与其他现有的方法进行比较。FRR定义为假拒收数除以真样本数的比值，FAR定义为假验收数除以伪造样本数的比值由于FRR和FAR是相互制约的，因此，应用EER来确定FRR等于FAR的平衡点EER越低，模型性能越好。AUC是ROC曲线下面积，是一个综合指标。准确度是正确预测数除以所有测试样品的数量。4.2. 中文签名数据集我们的中文签名数据集有749个人在所有749个人中，我们模型ACCFRR远EERAUCCNN OSV[1]82.7510.5119.0519.6388.63单个流88.0610.9813.0715.5792.28双流88.268.9912.6415.7891.85我们的IDN90.175.4711.5210.8395.79表1.中国签名数据集的比较（%）。用375个个体对于每个个体，我们有190（20×19/2）对参考签名和真实签名的样本。随机选取10个真实签名作为参考，19个伪造签名作为参考，形成190对参考签名和伪造签名样本。因此，对于每个个体，我们总共有380对样本，其中190对是参考-真实对，190对是参考-伪造对。由于我们的锻造样品包括简单锻造和熟练锻造，因此我们在测试中将简单锻造和熟练锻造分开。最后的成绩是基于简单的成绩和熟练的成绩的平均值。我们比较了我们的IDN方法与其他三种方法。CNNOSV方法[1]使用卷积神经网络模型以离线方式验证签名。单流方法将参考签名和测试签名连接到一个图像中，并使用我们的IDN模型的一个流双流方法在IDN模型的两个鉴别流中分别引入参考签名和测试签名，但不引入反向流和多路径注意模块。我们的IDN模型有四个流，利用多路径注意和逆机制的签名验证。表1显示了不同方法的结果，图7（a）显示了单流、双流和我们的IDN的ROC曲线。结果表明，我们的IDN模型优于其他方法的大幅度在所有的评估指标。我们的IDN之所以优于其他方法，是因为它利用了反向监督机制和多路径注意机制。这一点在与单股和双流方法的比较中得到了清楚的证明。单流方法使用IDN的一个流来提取特征并做出决策。双流方法在两个区分流中分别提取参考签名和测试签名的特征与这两种基线方法相比，IDN具有逆向流和多路径注意模块，这使得IDN的性能大大优于这两种基线方法。这证明了反向监督和多路径注意机制的有效性43215770图形匹配[5] WD 7.7 8.2-[18]第十八话单流WI 11.96 7.25 10.0双流WI 3.04 8.19 4.86我们的IDN WI2.17 5.87 3.62单流WI 13.39 11.73 87.44双流WI 10.448.3290.62我们的IDN WI4.938.9993.04表4. BHSig-H数据集的比较（%）。表2.CEDAR数据集比较（%）。模型类型FRR远ACCSigNet [8]Wi13.8913.8986.11相关文章[9]Wi14.4315.7884.90纹理特征[27]WD33.8233.8266.18单个流Wi12.889.6088.76双流Wi6.4911.2391.14我们的IDNWi5.244.1295.32表3. BHSig-B数据集的比较（%）。4.3. CEDAR数据集CEDAR签名数据集[21]包含英文姓名的签名样本。它由55个人的签名样本组成，每个人有24个真实签名和24个伪造签名。在前人工作的基础上，我们使用50个个体对于每个人，我们有276个参考-真实对和276个参考-伪造对。我们将我们的IDN方法与其他方法进行比较：形态学[24]，环绕度[25]，链码[3]，图匹配[5]，SigNet-F[18]，单流和双流。单流和双流方法与第4.2节中的定义相同。表2显示了不同方法的结果。图7（b）示出了单流、双流和我们的四流IDN的ROC曲线。在表中，WI表示独立于作者的方法，其为任何作者构建一个相同的模型，WD表示依赖于作者的方法，其为每个作者训练不同的模型，并且通常需要更多的样本进行训练。应该注意的是，依赖于作者的方法采用与独立于作者的方法不同的训练方法我们在这里列出依赖于writer的方法作为参考。在此数据集上，我们的IDN模型在所有报告的评估指标中均优于其他方法，这证明了我们方法的实力。4.4. BHSig B数据集和BHSig H数据集BHSig 260数据集[27]包含两个子集：BHSig-B和BHSig-H数据集。BHSig-B数据集包含Train/Test我们雪松BHSig-HBHSig-B表5.跨语言测试的签名验证准确率（%）。孟加拉名字的签名样本。它包含了100个独立的签名样本。每个人有24个真实签名和30个伪造签名。在此基础上，我们用50个个体对于每个人，我们有276个参考-真实对和276个参考-伪造对。BHSig-H数据集包含印地语姓名的签名样本。它包含160个人每个人都有24个真实签名和30个伪造签名。在前人工作的基础上，我们用100个个体对于每个人，我们有276个参考-真实对和276个参考-伪造对。在这两个数据集上，我们将我们的IDN方法与其他方法进行了比较：SigNet [8]，相关特征[9]，纹理特征[27]，单流和双流。单流和双流与第4.2节中的定义相同。表3和表4分别显示了两个数据集上相关特征方法[9]的性能在SigNet [8]中报告。图7（c）和图7（d）。图7（d）示出了单流、双流和我们的四流IDN的ROC曲线。在两个数据集上，我们的IDN模型的性能大大优于其他方法，这证明了我们的方法的实力。4.5. 跨语言测试在这项工作中使用的数据集属于四种通用语言。我们想测试签名验证是否可以在不同的语言之间进行。因此，我们进行了一个跨语言实验，其中模型在一个数据集上训练，并在不同语言的另一个数据集上进行测试。例如，我们在Chi上训练模型模型类型FRR远EER模型类型FRR远ACC形态学[24]Wi12.3911.2311.59SigNet [8]Wi15.3615.3684.64[25]第二十五话Wi8.338.33-相关文章[9]Wi15.0913.1085.90链码[3]WD9.367.84-纹理特征[27]WD24.4724.4775.53我们90.1750.057.9664.53雪松50.0395.9850.3650.01BHSig-H50.050.093.0474.12BHSig-B50.050.074.3095.3243215771（a）（b）（c）（d）图7.四个数据集的ROC曲线比较 (a)我们的数据集。(b)CEDAR数据集。(c)BHSig-B数据集。(d)BHSig-H数据集。nese签名数据集并在BHSig-H数据集上测试模型。训练和测试数据的划分与每个独立数据集上的实验相同。表5显示了跨语言测试的准确性，其中行对应于训练语言，列对应于测试语言。此表显示，跨语言的签名验证性能毕竟，签名与语言密切相关，使用不同语言的人有不同的写作习惯和风格。该表还显示，孟加拉语和印地语测试的性能下降并不像其他跨语言测试那样剧烈。这可以归因于孟加拉语和印地语手写签名在风格和笔画上的相似性。5. 结论本文提出了一种新的逆鉴别网络（IDN），用于手写签名的鉴别，该网络包含四个权值共享流：两个鉴别流提取签名的卷积特征，两个逆鉴别流监督特征提取以集中于签名笔画.采用逆向监督机制和多路径注意机制解决签名验证中的稀疏信息问题。在测试中，以参考签名图像和测试签名图像为输入，我们的模型输出测试签名是真实的还是伪造的。由于社区中没有合适的中文签名我们在收集的中文签名数据集和其他三种不同语言的签名数据集上测试了我们的方法。实验证明所提出的方法的强度和潜力。今后的工作将侧重于跨语言签名验证和识别的联合系统。确认本研究得到了国家自然科学基金项目1999年第101号 的 资 助 .61876149 和 中 国 博 士 后 科 学 基 金2018M643657。引用[1] 加布·阿尔瓦雷斯布鲁·谢弗摩根·布莱恩特用卷积神经网络进行离线签名验证技术报告，斯坦福大学，2016年。[2] H. Baltzakis和N.帕帕马科斯一种新的基于两级神经网络分类 器的 签名 验证 技术 。人工 智能 工程 应用 ， 14（1）：95[3] R. K. Bharathi和B. H.谢卡尔基于链码直方图和支持向量机的离线签名验证。在2013年的计算、通信和信息学进展国际会议[4] Long Chen，Hanwang Zhang，Jun Xiao，Ligen Nie，Jian Shao，Wei Liu，and Tat Seng Chua. Sca-cnn：图像字幕卷积网络中的空间和通道注意力。在CVPR，2017年。[5] 陈思远和斯里哈里。一种新的基于图的离线签名验证方法。2006年国际模式识别会议[6] Shuhan Chen，Xiuli Tan，Ben Wang，and Xuelong Hu.显著对象检测的反向注意在欧洲计算机视觉会议上，2018年。[7] Sumit Chopra，Raia Hadsell，and Yann Lecun.学习相似性度量有区别地，与应用到人脸验证。IEEE计算机视觉与模式识别会议，2005年。[8] 放大图片作者：J. 1999年，美国加州大学洛杉矶分校的一个研究小组，研究了一种新的生物学方法，并在2000年发表了一份报告。Signet：用于独立于作者的离线签名 验 证 的 通 用 连 体 网 络 。CoRR ， abs/1707.02131 ，2017。[9] 安杰·杜塔，乌玛帕达·帕尔，还有何塞普·利亚德·奥。紧凑的核心相关的功能，独立于作家的签名验证.在2016年的模式识别国际会议[10] A. El-Yacoubi，E. J. R.胡斯蒂诺河Sabourin和F.波-托洛齐。使用hash和43215772交叉验证在IEEE信号处理协会研讨会论文集，2000年。[11] Mounim El Yacoubi，Robert Sabourin，and Flavio Bor-tolozzi. 结合hmm与笔迹特征之离线签章验证系统2000年，研究所关于文件分析系统的国际讲习班[12] 米格尔·A 费瑞，我是你的B Alonso和CarlosM. 你看。使用定点算法的自动签名验证的离线几何参数IEEETrans. on Pattern Analysis and Machine Intelligence，27（6）：993[13] 米 格 尔 ·A Ferrer ， Moises Diaz-Cabrera ， and AythamiMorales.合成离线签名图像生成。在2013年生物识别国际会议[14] JulianFierrez-Aguilar，LorisNanni，JaimeLopez-PenMallalba，Javier Ortega-Garcia，and Davide Maltoni.基于局部信息与全局信息融合的在线基于音频和视频的生物识别身份验证，2005年。[15] Ian J. Goodfellow、Jean Pouget-Abadie、Mehdi Mirza、Bing Xu 、 David Warde-Farley 、 Sherjil Ozair 、 AaronCourville和Yoshua Bengio。生成性对抗网。在NIPS，2014。[16] Yasmine Guerbai，Youcef Chibani，and Bilal Hadjadji.单类支持向量机分类器在手写签名鉴别中的有效应用。Pattern Recognition，48：103[17] 路易斯湾Hafemann，Robert Sabourin，and Luiz S.奥利维拉使用深度卷积神经网络进行离线签名验证的独立于作者的特征学习在2016年神经网络国际联合会议[18] 路易斯湾Hafemann，Robert Sabourin，and Luiz S.奥利维拉使用深度卷积神经网络学习离线手写签名验证的特征。Pattern Recognition，70：163176，2017.[19] Jie Hu ， Li Shen ， Samuel Albanie ， Gang Sun ， andEnhua Wu.压缩-激励网络。CoRR，abs/1709.01507，2017。[20]秦煌、吴炽昊、夏春阳、叶望、C.C.郭杰。 反向注意的语义分割。BMVC，2017年。[21] 米纳克希K. Kalera，Srihari，and Aihua Xu.利用距离统计 的 离 线 签 名 验 证 与 识 别 。 International Journal ofPattern Recognition and Artificial Intelligence，18：1339[22] HuriehKhalajzadeh ， MohammadMandarin ， andMoham-mad Teshnehlab.用卷积神经网络验证波斯签名国际工程研究与技术杂志，2012年1月。[23] Alex Krizhevsky、Ilya Sutskever和Geoffrey E.辛顿使用深度卷积神经网络的图像网分类。在NIPS，第1097-1105页[24] Rajesh Kumar、Lopamudra Kundu、Bhabatosh Chanda和J. D.夏尔马基于签名形态学的独立于作者的离线签名验证系统。2010年智能交互技术与多媒体国际会议[25] Rajesh Kumar，J.D. Sharma和Bhabatosh Chanda使用包围环的与作者无关的离线签名验证ness特 征 Pattern Recognition Letters ， 33（ 3 ） ： 301-308，2012.[26] 大津信之一种基于灰度直方图的阈值选取方法。IEEETransactions on Systems Man and Cybernetics，9（1）：62[27] Srikanta Alaei ， Alireza Alaei ， Umapada Alaei ， andMichael Blu- menstein.基于纹理特征的离线签名验证方法在大型手写体签名数据集上的性能。在IAPR文件分析系统研讨会上，2016年。[28] Hannes Rantzsch，Haojin Yang，Christoph Meinel. Sign-nature embedding ： Writer independent offline signatureverification with deep metric learning. 在视 觉计 算的 进展，2016年。[29] JavierRuiz-Del-Solar，ChristDevia，PatricioLoncomilla，and Felipe Concha.使用本地兴趣点和描述符的离线签名验证在伊比利亚美洲模式识别大会上：模式识别、图像分析与应用进展，2008。[30] Yasmine Serdouk，Hassiba Nemmour，和Youcef Chiban-i. 结合oc-lbp和最长运行特征进行离线签名验证。2014年信号图像技术和基于互联网的系统[31] Karen Simonyan和Andrew Zisserman用于大规模图像识别 的 非 常 深 的 卷 积 网 络 。 CoRR ， abs/1409.1556 ，2014。[32] Fei Wang，Mengqing Jiang，Chen Qian，Shuo Yang，Cheng Li ， Honggang Zhang ， Xiaogang Wang ， andXiaoou Tang. 用于 图像分类 的剩余注 意力网 络。在CVPR，2017年。[33] Mus t a f aBerkayYilmazandK agelanOüztürk. 利用双通道cnn混合使用r在CVPR研讨会，2018年。[34] Mustafa Berkay Yilmaz ， Berrin Yanikoglu ， CaglarTirkaz，and Alisher Kholmatov.结合hog与lbp特征分类器的离线签名验证。在2011年国际生物识别联合会议[35] Mus t a fBerkayYilmaz和BerrinYan kogZurlu 。离线签名验证中分类器的评分水平信息融合，32：109[36] Sergey Zagoruyko和Nikos Komodakis通过卷积神经网络学习IEEE计算机视觉与模式识别会议，2015年。[37] 张泽华，刘祥谦，崔岩。使用深度卷积生成对抗网络的多阶段离线签名验证系统。在计算智能与设计国际上，2017年。[38] 埃利亚斯·N.作者声明：by J.基于原型分析的脱机手写签名建模与验证。在IEEE国际计算机视觉会议上，2017年。