白話導讀
Computers, Materials & Continua
SCI · IF 3.860 · Q1
2022/05
同一個人每次簽名都不一樣——那就挑對「參考簽名」
Reference Selection for Offline Hybrid Siamese Signature Verification Systems
Tsung-Yu Lu, Mu-En Wu, Er-Hao Chen, Yeong-Luh Ueng*
一句話：離線簽名驗證最難的地方是「本人自己也簽得不一樣」。這篇用 ResNet 抽通用特徵、單層 Siamese 做分類以節省儲存空間，並提出「該挑哪一張參考簽名」的方法搭配改良的對比損失——準確率提升 5.9%，GPDS 資料集上達 94.61%。
先問：這在解什麼問題？the problem
離線手寫簽名驗證——拿一張掃描或拍下來的簽名影像，判斷它是本人簽的還是偽造的——在金融與文件審核上都很實用，但有個天生的麻煩：同一個人每一次簽名都不會完全一樣。這種「同類內部的高變異（high intra-class variability）」會讓模型很難學。
怎麼做？混合式 Siamese 架構the method
作者採用混合（hybrid）架構，把「認人」和「認字跡」這兩件事分開處理：
ResNet
與簽名者無關的特徵
殘差網路負責特徵抽取，學的是 Writer-Independent（WI）特徵——也就是「什麼樣的筆跡差異算是偽造」這種共通規律。
Siamese
與簽名者有關的分類
單層的 Siamese 神經網路擔任 Writer-Dependent（WD）分類器；刻意只用單層，是為了把儲存空間壓到最小。
Reference
挑一張參考簽名
本文的重點貢獻：提出「該挑哪一張簽名當作 Siamese 網路的輸入之一」的選擇方法，降低簽名變異帶來的干擾。
系統流程：ResNet 學到與簽名者無關的通用特徵，再挑一張參考簽名一起送進單層 Siamese 分類器，並以改良後的 contrastive loss 訓練，最後輸出真偽判定。
兩個關鍵巧思what's new
① 參考簽名選擇
不是隨便拿一張簽名來比對，而是刻意挑選一張參考簽名當 Siamese 的輸入之一，藉此壓低「同一人簽名彼此差很多」對學習造成的干擾。
② 改良的對比損失
為了把參考簽名的價值用滿，作者修改了傳統的 contrastive loss 函數，讓準確率再往上推。
結果如何？results
使用上述技巧後，系統準確率提升了 5.9%。在 GPDS 簽名資料集上，所提系統達到 94.61% 的準確率，優於當時最先進的做法。
讀的時候要注意：上述數字是在 GPDS 這一個公開資料集上測得的；而且 WD 分類器的本質決定了——要驗證某個人的簽名，仍需要那個人的簽名樣本。
閱讀原始論文（Tech Science Press, 開放取用） →