MétaCan
Menu
Retour à la cohorte
Enregistrement W4316924994 · doi:10.1109/ijcb54206.2022.10007945

Kinematic Synthesis for 3D Signatures

2022· article· en· W4316924994 sur OpenAlexafffund
Moises Díaz, Miguel A. Ferrer, Cristina Carmona-Duarte, José J. Quintana, Aythami Morales, Julián Fiérrez, Réjean Plamondon

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueHandwritten Text Recognition Techniques
Établissements canadiensUniversité de MontréalPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaEuropean Commission
Mots-clésKinematicsSignature (topology)Computer scienceNoveltyArtificial intelligenceData miningPattern recognition (psychology)Mathematics

Résumé

récupéré en direct d'OpenAlex

This paper proposes a method to generate the synthetic kinematic of signatures in 3D. The analysis of 3D signatures is becoming a hot topic due to the irruption of commercial off-the-shelf devices for easy acquisition of 3D movements. However, the novelty of this technology reveals the scarce publicly available signatures in 3D, which hinder their de-velopment. A solution is the synthesis of Signatures in 3D. As a first step, this paper synthesizes the kinematics of 3D signatures based on the Kinematic Theory of Rapid Movements and its associated Sigma-Lognormal model in 3D. To evaluate the method, we regenerate signature databases with synthetic speed profiles in all genuine and forgeries found in two 3D signature databases. Then, we analyze the similarities in the performance of a signature verifier when real and synthetic signatures are used in random and skilled forgeries experiments.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,679
Score d'incertitude au seuil0,889

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,251
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetHandwritten Text Recognition TechniquesTravaux en français237 207