文件名称：用于离线签名验证的深度多任务度量学习代码
文件大小：21KB
文件格式：ZIP
更新时间：2022-09-13 19:41:32
这是发表在Pattern Recognition Letters上的论文《Deep Multitask Metric Learning for Offline Signature Verification》的MATLAB代码 本文提出了一种新颖的分类方法，即深度多任务度量学习 (DMML)，用于离线签名验证。与现有的验证个人可疑签名的方法仅考虑该类的训练样本不同，DMML 也使用来自其他类的真实样本和伪造样本之间的相似性和不相似性的知识。为此，DMML 使用多任务和迁移学习的思想，同时为每个类与其他类一起训练距离度量。DMML 具有一个结构，其*享层充当独立于编写者的方法，其后是学习编写者相关因素的分离层。我们将提出的方法与 SVM 进行比较，在四个离线签名数据集（UTSig、MCYT-75、GPDSsynthetic 和 GPDS960GraySignatures）上使用定向梯度直方图 (HOG) 和离散 Radon 变换 (DRT) 特征的依赖于作者和独立于作者的判别深度度量学习方法。我们的实验结果表明，与其他方法相比，DMML 在验证真实签名、熟练和随机伪造方面取得了更好的性能
【文件预览】：
DMML-master
----main.m(4KB)
----SkillForgOthers_random_test.m(3KB)
----NormOverCell.m(305B)
----RandomForg.m(1KB)
----Gr.m(99B)
----Cost.m(341B)
----Add.m(98B)
----EER.m(336B)
----f_AVR_115.m(814B)
----LICENSE(11KB)
----SkillForgOthers_random.m(3KB)
----SkillForgOthers.m(2KB)
----G.m(67B)
----SkillForgOthers_random_test_randomForg.m(2KB)
----PLC_115_t.m(588B)
----NormOverClass.m(197B)
----EER_115.m(334B)
----Fr.m(85B)
----README.md(4KB)
----SkillForgOthers_RandForg.m(3KB)
----Feature Extraction()
--------main.m(3KB)
--------HIST.m(250B)
--------PreProcess.m(1KB)
--------REC.m(2KB)
--------CoM.m(224B)
--------FindEdges.m(591B)
--------README.md(348B)
--------Connected.m(407B)
----.gitattributes(65B)
----F.m(41B)