Signature Verification by Multi-Size Assembled-Attention with the Backbone of Swin-Transformer
Notice bibliographique
Résumé
<title>Abstract</title> Handwritten signature verification is an indispensable means of identification in biometric information recognition and has broad application prospects and research significance in financial, judicial, and educational systems. With the advancement of signature forgery technology, people have higher requirements for the accuracy and efficiency of signature verification, and sophisticated convolutional networks capable of automatic feature extraction are gradually being applied to the field of handwriting recognition. However, these convolution methods still have the potential for improvement in recognition capability, generalization capability, and accuracy rate. This paper proposes a novel network model, Multi-Size Assembled-Attention Swin-Transformer network, to perform signature handwriting authenticity identification. The inputs to the network are signature images that are resized to multiple sizes, including (224, 224), (112, 112), (56, 56). Then, features within the same image are extracted using the self-attention mechanism in Swin-Transformer, and features between different images are also extracted with the cross-attention mechanism in Assembled-Attention Block, enabling signature feature information to interact within the same image and between different images. Also, Regularized Dropout strategy and adversarial method are implemented in the training stage. Therefore, our method considerably prompts the identification ability of the signature handwriting and obtains state-of-the-art performance, especially 57.1% and 50.4% improvement, in the situation of training in CEDAR and evaluation in Bengali and Hindi. Meantime, we evaluated the impact of the input images passing through the model's times on performance and found that the network achieves the optimal performance at times of four.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».