Offline Efficient Signature Authentication Using Octave Convolution Neural Network

Gutub, Adnan

doi:10.1007/s13369-025-09964-4

Offline Efficient Signature Authentication Using Octave Convolution Neural Network

2025-01-16

0

PRE

AI

DOI：10.1007/s13369-025-09964-4

原文链接

原文求助

摘要

En 中文

手写签名验证旨在出于安全考虑，将个人的真实签名与伪造签名区分开来。手写签名验证是利用预设阈值，将待验证签名的图像与个人的参考签名进行比较，以判定其是否为真实或伪造签名的过程。该任务可通过两种方式完成：在线和离线系统。由于难以区分熟练伪造过程，且离线验证涉及的特征较少，无法有效辅助其分类模型，因此离线签名验证比在线系统更具挑战性。现代方法包括深度学习（DL）算法，因为特定的机器学习方法已被证明在签名图像分类任务中效率较高。八度卷积（OctConv）克服了局限性，相较于广为人知的卷积神经网络（CNN），在准确率方面取得了更优结果。在本文中，我们提出利用OctConv构建分类模型，以区分真实和伪造签名。本研究修订了不同的CNN架构作为基线模型，用于OctConv与其他方法的公平比较。研究比较和评估了多个流行的签名数据集，包括标准的CEDAR、UTSig、BHSig260-Hindi和BHSig260-Bengali。有趣的是，我们的OctConv模型在所有四个基线模型数据集上均取得了最佳竞争性结果，其准确率达到高吸引力百分比，与包括CNN和胶囊网络在内的最新模型相比表现优异。本研究展示了吸引人的建模策略，以满足当今网络安全认证应用中的签名验证需求。

Keyword:

Cyber authentication

Signature verification

Machine learning

Convolution neural network

Deep learning

Octave convolution

Offline Efficient Signature Authentication Using Octave Convolution Neural Network

摘要

期刊

机构