یک معماری شبکه عصبی عمیق مشترک با ویژگی‌های صریح برای بازشناسی امضاء

در این مقاله، یک مدل معماری مشترک برای بهره‌ مندی از ویژگی‌های استخراج شده توسط شبکه عصبی عمیق و ویژگی‌های صریح استخراج شده به روش کلاسیک برای مساله بازشناسی امضاء ارائه شده است. معماری پیشنهادی، شکل توسعه یافته مدل رِزنت 18 لایه می‌باشد که طی آن یک مدل معماری دو مسیره تعریف شده است که در یک مسیر ویژگی‌های استخراج شده توسط شبکه عصبی عمیق رزنت و در مسیر دوم ویژگی‌های سراسری به روش کلاسیک با یکدیگر ترکیب می‌شوند. همچنین برای استخراج ویژگی‌ها به روش کلاسیک، یک ایده ابتکاری سراسری ارائه شده است که در آن، توصیفگر، نسبت به برخی تغییرات متداول در نمونه‌های امضاء مانند دوران و بزرگنمایی پایدار است. ارزیابی‌های متنوعی بر روی روش ارائه شده انجام شده است بطوریکه از سه پایگاه داده مشهور تصاویر امضاء cedar, utsig و gpds برای تحلیل روش پیشنهادی و مقایسه با روش‌های مشابه استفاده شده است. نتایج ارزیابی‌ها، حاکی از بهبود دقت بازشناسی امضاء به‌وسیله معماری مدل مشترک ارائه شده نسبت به مدل پایه می‌باشد همچنین مقایسه روش پیشنهادی با بهترین نتایج موجود نشان می‌دهد در اغلب موارد دقت روش پیشنهادی، بهتر از بهترین نتایج منتشر شده است.

A Joint DNN Architecture with explicit features for Signature Identification image

In this paper, we have proposed a new joint architecture using Deep Neural Network (DNN) and a traditional descriptor for feature extraction towards signature identification. The proposed approach is an extended version of ResNet18, which is enhanced using our two paths architecture. In the first path, we explore features using a deep convolutional neural network, and in the second path, we discover global features using a traditional heuristic approach. Our traditional approach extracts global features that are stable with rotation and scaling. For evaluation, we performed extensive experiments on accessible datasets of CEDAR, UTsig, and GPDS through the proposed approach. Our results show that the proposed joint approach outperformed the baseline ResNet18 and demonstrate our approach superiority. Also, the comparisons with the related works show that our approach results are better or in par with state of the art.