.png){kind=icon}
返回
Optimizing identity documents classification in online systems: A comparative analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s10032-025-00555-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，行政管理及其他银行业务的交互越来越多地通过在线系统进行。此类交互的主要问题在于验证用户身份以防止冒用。本文聚焦于这些系统的初始分类过程，主要针对用于身份证明（ID）检查的智能手机应用程序。事实上，这些系统需要进行分类作为预处理步骤，以识别文档类型并相应地调整安全要素验证。该背景包含一些约束条件，例如计算资源有限和处理速度要求。同时也有一定优势：待识别的文档类型是已知的，且身份证明是一种高度标准化的文档类型。为执行文档图像分类，本文比较了多种解决方案，并提出改进方案以应对这些挑战，随后讨论了何种解决方案在何种情况下可能最优。这些解决方案包括卷积深度神经网络（CNN）、原型网络（ProtoNet）和简化描述符匹配器（RDM）。评估结果表明，原型网络与最佳简化描述符匹配器方法的结果相近，但存在不同弱点。CNN在准确率方面明显优于ProtoNet和RDM，但在计算速度方面与ProtoNet相当。RDM的弱点使其不适合本应用场景，而CNN需要过多训练样本才能高效使用。因此，改进ProtoNet似乎是最佳选择。
Keyword:
Document Classification
Few-shot Learning
期刊
I
IF:
2.5
论文数:
40
被引数:
826
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容