تشخیص اصالت امضا با بهره مندی از یک چارچوب یادگیری عمیق

تایید امضا، فرآیندی است که برای تایید هویت ادعا شده یک فرد با بررسی امضای انتخابی وی که قبلا ثبت شده است، مورد استفاده قرار می گیرد. استقبال گسترده مردم از امضاها همراه با کاربرد آنها در زمینه های تخصصی مانند احراز هویت اسناد بانکداری، آنها را به عنوان یک روش بیومتریک برجسته معرفی کرده است. با این حال، تمایز امضاهای واقعی از جعل های ماهر به دلیل تنوع درون کلاسی و پیچیدگی الگوهای دست نویس یک کار چالش برانگیز است. برای پرداختن به این چالش، ما یک چارچوب یادگیری عمیق مبتنی بر یک شبکه سیامی با دو شبکه عصبی پیچشی به عنوان زیر شبکه ها پیشنهاد می کنیم که برای یادگیری یک تابع شباهت قوی برای تایید امضا طراحی شده اند. این مدل در طول استنتاج از برون اندازی مونت کارلو استفاده می کند تا بازنمایی هایی متمایزتر و آگاه از عدم قطعیت استخراج شده و توانایی مدل برای مدیریت تغییرات درون کلاسی افزایش یابد. علاوه بر این، یک تابع زیان متضاد با حاشیه تطبیقی به طور پویا معیارهای جداسازی بین امضاهای واقعی و جعلی را تنظیم می کند و تبعیض را بهبود می بخشد. علاوه بر این، ترکیب ویژگی های چند مقیاسی در زیر شبکه های پیچشی استخراج الگوهای ساختاری کلی و جزئیات محلی دقیق را امکان پذیر می سازد که برای تایید دقیق ضروری هستند. آزمایش های انجام شده بر روی مجموعه داده های معتبر برای تایید امضا حاکی از عملکرد مطلوب رویکرد پیشنهادی از نظر دقت و تعمیم می باشند. ادغام یادگیری آگاه از عدم قطعیت و تکنیک های استخراج ویژگی های پیشرفته به طور قابل توجهی قابلیت اطمینان تایید امضا مبتنی بر یادگیری عمیق را افزایش می دهد و آن را به یک راه حل امیدوار کننده برای برنامه های کاربردی در دنیای واقعی تبدیل می کند.

کلیدواژه ها:

تایید امضا شبکه ، سیامی شبکه های عصبی ، عمیق ، برون اندازی مونت کارلو