为提取签名的细节信息,同时提升模型的精度和性能,提出了一种新的签名解释器,可以提取书写者的笔锋信息和连笔习惯等凸显个人特点的精细化特征,从而使模型获得更好的认证效果。此外,本文还提出了一种基于注意力机制和场间匹配的在线签...为提取签名的细节信息,同时提升模型的精度和性能,提出了一种新的签名解释器,可以提取书写者的笔锋信息和连笔习惯等凸显个人特点的精细化特征,从而使模型获得更好的认证效果。此外,本文还提出了一种基于注意力机制和场间匹配的在线签名认证方法(attention-guided field-to-field matching,AG-F2FM)。该方法通过注意力机制使模型重点关注于签名的有效区域,并通过匹配矩阵聚合参考签名特征和待验签名特征的策略来避免特征拼接。最后,在多个具有挑战性数据集上开展的大量实验表明本文所提出方法的性能均显著超过目前最优(state of the art,SOTA)方法,并且在大部分数据集上,本文所提出的方法在只采用一个模板进行认证的效果都要优于SOTA方法采用5个模板进行认证的效果。同时本文还将泛化性纳入衡量模型性能的指标,设计了一系列具有挑战性的跨数据集和跨模态实验以定量地评估模型的泛化性。实验结果表明基于注意力机制和场间匹配的在线签名认证方法在跨数据集和跨模态实验中均表现优异。展开更多
提出了一种新的静脉图像分割方法,该方法以方向场分布率(Distribution ratio of directional fields,DRDF)作为区分静脉纹路和背景的分割准则.首先利用邻域信息和邻域分块模板计算图像中每个像素点的方向场以生成方向场图像,然后根据方...提出了一种新的静脉图像分割方法,该方法以方向场分布率(Distribution ratio of directional fields,DRDF)作为区分静脉纹路和背景的分割准则.首先利用邻域信息和邻域分块模板计算图像中每个像素点的方向场以生成方向场图像,然后根据方向场图像中像素点互补半圆区域内的方向场分布率和分布判定函数计算出8灰度级图像,最后确定二值化参数将8灰度级图像二值化得到最终图像分割结果.该方法结合静脉图像特征,充分利用方向场图像的空间属性,克服了照度不均、粗细不均以及边界模糊等因素对分割造成的影响.实验结果表明该方法对于静脉图像具有很好的分割效果.展开更多
文摘为提取签名的细节信息,同时提升模型的精度和性能,提出了一种新的签名解释器,可以提取书写者的笔锋信息和连笔习惯等凸显个人特点的精细化特征,从而使模型获得更好的认证效果。此外,本文还提出了一种基于注意力机制和场间匹配的在线签名认证方法(attention-guided field-to-field matching,AG-F2FM)。该方法通过注意力机制使模型重点关注于签名的有效区域,并通过匹配矩阵聚合参考签名特征和待验签名特征的策略来避免特征拼接。最后,在多个具有挑战性数据集上开展的大量实验表明本文所提出方法的性能均显著超过目前最优(state of the art,SOTA)方法,并且在大部分数据集上,本文所提出的方法在只采用一个模板进行认证的效果都要优于SOTA方法采用5个模板进行认证的效果。同时本文还将泛化性纳入衡量模型性能的指标,设计了一系列具有挑战性的跨数据集和跨模态实验以定量地评估模型的泛化性。实验结果表明基于注意力机制和场间匹配的在线签名认证方法在跨数据集和跨模态实验中均表现优异。
文摘提出了一种新的静脉图像分割方法,该方法以方向场分布率(Distribution ratio of directional fields,DRDF)作为区分静脉纹路和背景的分割准则.首先利用邻域信息和邻域分块模板计算图像中每个像素点的方向场以生成方向场图像,然后根据方向场图像中像素点互补半圆区域内的方向场分布率和分布判定函数计算出8灰度级图像,最后确定二值化参数将8灰度级图像二值化得到最终图像分割结果.该方法结合静脉图像特征,充分利用方向场图像的空间属性,克服了照度不均、粗细不均以及边界模糊等因素对分割造成的影响.实验结果表明该方法对于静脉图像具有很好的分割效果.
