یک مدل یادگیری عمیق بهینه برای تایید دست خط

دست نوشته، به عنوان راهی متداول برای ارتباط در میان جوامع انسانی و یک زیست‌سنج رفتاری به منظور احراز هویت، شناخته شده است. تایید هویت نویسنده ی یک متن مکتوب از کاربردهای قابل توجه ای در حوزه سیستم های امنیتی، پزشکی قانونی و اسناد تاریخی و ادبی، برخوردار است. در این مقاله، برای نخستین بار، یک معماری عمیق بهینه‌شده با بهره مندی از شبکه سیامی، یادگیری انتقالی و الگوریتم بهینه ساز گرگ خاکستری، به منظور تایید هویت نویسنده به‌صورت برون خط از روی دست خط فارسی ارایه می گردد. به دلیل عدم دسترسی به مجموعه داده مناسب در زبان فارسی، یک مجموعه داده شامل کلمات، جملات و ارقام فارسی جمع آوری شده است. علاوه بر آن، از دو مجموعه داده ی شناخته شده ی iam و khatt نیز برای تجزیه و تحلیل روش پیشنهادی استفاده گردید. نتایج آزمایشات و ارزیابی ها بر روی این مجموعه داده­­ها، بر توانایی رویکرد پیشنهادی برای تایید هویت نویسنده از روی دست خط در زبان های مختلف و سبک‌های گوناگون نگارش، تاکید دارند. 

an optimized deep learning model for handwriting verification

handwriting is known as a common way of communication among human societies and a behavioral biometric for authentication. writer verification of a handwritten text has significant applications in the field of security systems, forensics and historical and literary documents. in this paper, for the first time, an optimized deep architecture utilizing siamese network, transfer learning and gray wolf optimization algorithm is presented in order to offline writer verification from persian handwriting. due to the lack of access to an appropriate dataset in persian language, a dataset including persian words, sentences and digits has been collected. in addition, two well-known datasets of iam and khatt were also used to analyze the proposed method. the results of experiments and evaluations on these datasets emphasize the ability of the proposed approach to writer verification from handwriting in different languages and various writing styles.