手写签名验证

Question

我正在进行一个签名验证项目。我使用了ICDAR 2011 Signature dataset。目前，我正在将原始图像的编码与伪造图像配对以获得一个训练样本（标记为0）。编码来自预先训练的VGG-16卷积神经网络（去除完全连接层）。然后，我修改了具有以下架构的全连接层：

• 输入大小：50177
• 第一隐藏层：1000单位（激活：“sigmoid”，丢失：0.5）
• 第二隐藏层：500单位（激活：“sigmoid”，退出：0.2）
• 输出层：1个单元（激活：“sigmoid”）

问题是，虽然训练集的准确性提高了验证精度的波动随机。它在测试集上表现很差

我尝试过不同的架构，但似乎都不管用 那么，有没有其他方法来准备数据，或者我应该继续尝试不同的架构？？在

Answer 1

我不认为使用VGG16模型进行特征提取是正确的。您使用的模型是在相对复杂的RGB图像上训练的，然后尝试将其用于基本上由边缘（签名）的灰度图像组成的数据集。您使用的是最后一个嵌入层，它包含ImageNet数据集（VGG模型的原始训练数据集）最复杂、最专业的表示。在

你得到的特征没有真正的意义，这可能就是为什么当你试图微调模型时，训练精度和验证准确度根本没有关联。在

我的建议是要么使用VGG16的早期层进行特征提取（我是在第5-6层的某个地方进行讨论），要么更好的是，使用一个更简单的模型，该模型是在更相似的数据集上训练的，比如MNIST数据集。在

MNIST数据集由手写数字组成，因此它与您的任务更为相似，并且在其上训练的任何模型都可以作为更好的任务特征提取器。 您可以从MNIST上的以下基准测试结果列表中选择任何模型，并将其用作功能提取器：

MNIST Benchmark Results