针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特...针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特征图的降维,并防止网络过拟合;最后,采取一种自动确定阈值的方法来确定真伪手写签名鉴别时的最佳阈值。以SigNet为基础作出以上改进,并以CEDAR(the Center of Excellence for Document Analysisand Recognition)、Bangla和Hindi这3个手写签名数据集为例,对所提算法的准确率和泛化性能进行了实验验证。实验结果表明,与改进前算法SigNet相比,所提算法在数据集CEDAR上维持了100%的准确率,并在数据集Hindi和Bangla的鉴别准确率上分别提高了1.68个百分点和6.73个百分点,验证了所提算法的有效性。展开更多
文摘针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特征图的降维,并防止网络过拟合;最后,采取一种自动确定阈值的方法来确定真伪手写签名鉴别时的最佳阈值。以SigNet为基础作出以上改进,并以CEDAR(the Center of Excellence for Document Analysisand Recognition)、Bangla和Hindi这3个手写签名数据集为例,对所提算法的准确率和泛化性能进行了实验验证。实验结果表明,与改进前算法SigNet相比,所提算法在数据集CEDAR上维持了100%的准确率,并在数据集Hindi和Bangla的鉴别准确率上分别提高了1.68个百分点和6.73个百分点,验证了所提算法的有效性。
