45、深度学习在在线签名验证与数据仓库设计中的应用

深度学习在在线签名验证与数据仓库设计中的应用

1. 在线签名验证的深度学习方法

1.1 实验设置

在进行在线签名验证的实验时，所采用的模型在特定的硬件环境下实现。具体配置为：Intel i5 处理器，搭配 8GB 的 RAM 以及 2GB 的 Nvidia GForce GTX 1050 Ti GPU。

训练模型时，使用了随机梯度下降（SGD）优化器，其中动量设置为 0.9，初始学习率为 0.05。权重衰减值保持在 0.00005，批量大小设定为 64。模型总共训练了 500 个周期，并且每经过 200 个周期，学习率调度器会将学习率降低为原来的 0.1 倍。

数据集被划分为训练集、验证集和测试集，其中训练集包含 80%的数据，测试集包含 20%的数据。

1.2 实验结果与讨论

该模型在自定义收集的 280 个签名的测试数据集上进行评估。由于深度学习模型通常需要大量的训练数据，因此采用了数据增强技术来增加每个签名的训练样本。具体做法是，仅对训练样本进行数据增强，通过稍微改变其 x 和 y 坐标，为每个签名生成三个增强样本。最终，模型在 3360 个训练样本上进行训练。

下表展示了所提出的模型与现有先进模型的性能对比：
| 年份 | 研究者 | 签名类型 | 算法 / 技术 | EER/准确率 |
| ---- | ---- | ---- | ---- | ---- |
| 2020 | [22] | 离线 | CNN | 99.7% |
| 2019 | [23] | 离线 | LS2Net | 96.9% |
| 2018 | [27] |