|[IEEE TPAMI2021]一种基于合成样本和1维CNN的免伪造样本联机签名认证特征学习方法 (代码已开源)

本文简要介绍TPAMI 2021录用论文”SynSig2Vec: Forgery-free Learning of DynamicSignature Representations by Sigma Lognormal-based Synthesis and 1D CNN”，该论文针对联机签名认证任务中伪造签名数据难以收集的问题，提出了一个基于合成样本进行特征学习（Learning-by-synthesis）的动态签名认证方法：SynSig2Vec。该方法根据书写运动学理论，基于模板签名合成出不同形变程度的签名样本，并提出了一种有效的卷积神经网络签名特征表达模型Sig2Vec来提取签名的定长特征表示，然后通过优化签名相似度排序的平均准确率（Average Precision，AP）指标进行特征学习。SynSig2Vec方法在MCYT-100和SVC-Task2两个业界广泛采用的基准数据集上大幅度降低了认证错误率，并在目前最大的公开联机签名认证数据集DeepSignDB[1]上取得最为领先的结果。该方法的一个亮点是即使没有使用任何伪造签名训练数据（负样本），但相比于目前使用伪造训练数据的其它SOTA方法，SynSig2Vec仍能保持较大性能优势。论文方法代码已开源，下载链接见文末。