SigNet : Réseau de neurones convolutif siamais pour la vérification des signatures hors ligne indépendante du signataire

La vérification de signature hors ligne est l'une des tâches les plus complexes dans le domaine de la biométrie et de la forensique documentaire. Contrairement à d'autres problèmes de vérification, elle nécessite de modéliser des détails minuscules mais cruciaux entre les signatures authentiques et les signatures falsifiées, car une fausse signature bien exécutée peut souvent ressembler à la signature réelle avec de légères déformations. Cette tâche de vérification est encore plus difficile dans des scénarios indépendants du signataire, qui sont incontestablement essentiels pour des cas réalistes. Dans cet article, nous modélisons une tâche de vérification de signature hors ligne indépendante du signataire en utilisant un réseau Siamese convolutif. Les réseaux Siamese sont des réseaux jumeaux avec des poids partagés, qui peuvent être formés pour apprendre un espace de caractéristiques où les observations similaires sont placées en proximité. Cela est réalisé en exposant le réseau à des paires d'observations similaires et dissemblables, tout en minimisant la distance euclidienne entre les paires similaires et maximisant simultanément cette distance entre les paires dissemblables. Les expériences menées sur des jeux de données inter-domaines soulignent la capacité de notre réseau à modéliser la falsification dans différentes langues (écritures) et styles d'écriture. De plus, notre réseau Siamese conçu, appelé SigNet, dépasse les résultats actuels sur la plupart des jeux de données de référence pour la vérification de signatures, ouvrant ainsi la voie à des recherches ultérieures dans cette direction.