基于图像的自由形式手写身份验证：面向能量的自监督学习
内容提要
本研究提出了一种改进的离线手写签名验证方法，结合深度卷积神经网络和多尺度特征学习网络，显著提高了验证准确度。通过自对抗无监督学习和新颖的预训练任务，成功解决了手写认证中的复杂特征问题，并在多个数据集上表现优异。
延伸解读
技术演进脉络
文章梳理了离线手写签名验证的技术发展：从2016年使用深度卷积神经网络和GPDS数据集，到2017年卷积Siamese网络和独立于作者的全局特征提取框架，再到2023年多尺度全局和区域特征学习网络（MGRNet）及共同五元损失（co-tuplet loss）的提出。这些进展逐步解决了签名相似性、变化性及样本有限等挑战，并推动了大规模中文签名数据集HanSig的建立。
自监督学习的优势
文章强调了自监督学习在减少标注成本方面的价值。通过基于笔画部分遮罩（POSM）的预训练任务，模型能从英语和汉语的个人在线手写中提取丰富表示。微调后的模型在作者识别、性别分类和利手性分类等任务上达到最新成果，且优于从头开始训练的模型，凸显了预训练模型在数据有限场景下的优势。
方法性能对比
文章比较了多种自监督学习方法在CEDAR AND数据集上的表现。基于ResNet的变分自动编码器（VAE）在生成式方法中准确度最高，达76.3%；而使用方差不变协方差正则化（VICReg）微调的ResNet-18在对比式方法中准确度最高，达78%。在写作者验证任务中，预训练的VAE和VICReg相比有监督基准模型，准确度相对提高了6.7%和9%。
Q&A
这项研究提出了什么样的手写签名验证方法？
研究提出了一种结合深度卷积神经网络和多尺度特征学习网络的改进离线手写签名验证方法。
该方法在伪造签名情况下的等错误率是多少？
在伪造签名情况下，该方法取得了2.74%的等错误率。
自对抗无监督学习框架的作用是什么？
自对抗无监督学习框架用于解决手写认证中的复杂特征和缺乏监督的问题。
研究中使用了哪个数据集进行验证？
研究中使用了HanSig数据集进行中文签名验证。
预训练任务（POSM）有什么作用？
预训练任务（POSM）用于提取个人在线手写的丰富表示。
研究比较了哪些自监督学习方法？
研究比较了基于ResNet的变分自动编码器（VAE）和方差不变协方差正则化（VICReg）等多种自监督学习方法。
