Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/36333
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_JoaoPedroFelixDeAlmeida_tcc.pdf1,02 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorEspinoza, Bruno Luiggi Macchiavello-
dc.contributor.authorAlmeida, João Pedro Felix de-
dc.identifier.citationALMEIDA, João Pedro Felix de. Verificação de assinaturas online com aprendizagem de métricas: explorando o impacto da dispersão de limiares locais ótimos. 2023. 71., il. Trabalho de conclusão de curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.pt_BR
dc.description.abstractEste trabalho apresenta uma nova função de perda para aprendizagem de métricas no contexto de verificação biométrica de assinaturas online que tem por objetivo, ao mesmo tempo, permitir que o modelo seja robusto em relação à alta variação intraclasse enquanto gera representações profundas que respeitem uma mesma distribuição a fim de tornar a distância entre duas assinaturas de uma mesma pessoa semelhante a distância entre duas assinaturas de outra pessoa qualquer, isso é feito para permitir que o sistema atinja bons resultados ao operar com um limiar global. O modelo que serviu de referência para este trabalho realiza a classificação de uma assinatura como sendo original ou falsificada a partir do uso de limiares e, embora apresente ótimos resultados utilizando um limiar local, seus resultados pioram consideravelmente ao utilizar um limiar global. Esta função de perda, juntamente com a substituição de dois sinais de entrada, propostas neste trabalho, tem como objetivo diminuir a dispersão entre os limiares locais ótimos a fim de aproximá- los e tornar o limiar global ótimo mais expressivo, de modo que o sistema apresente resultados melhores com relação ao Equal Error Rate (EER). O modelo proposto foi testado em todas as tarefas do conjunto de dados DeepSign e em relação ao modelo base apresentou melhoras em relação à variância dos limiares globais entre 26.39% e 99.05% e em relação à amplitude entre 14.79% e 60.79%. Tais melhoras foram acompanhadas por melhorias no EER de modo a superar o estado da arte em algumas tarefas. Com relação ao modelo de referência o modelo proposto apresentou melhora relativa de 7.87% no cenário com assinaturas realizadas com caneta stylus, ataques com falsificações profissionais e quatro assinaturas de referência, além de melhoras relativas de 14.44% e 7.26% com quatro e uma referência, respectivamente, no cenário em que as assinaturas foram realizadas com dedo e ataques com falsificações profissionais.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAssinatura digitalpt_BR
dc.subject.keywordBiometriapt_BR
dc.titleVerificação de assinaturas online com aprendizagem de métricas : explorando o impacto da dispersão de limiares locais ótimospt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-10-09T11:51:21Z-
dc.date.available2023-10-09T11:51:21Z-
dc.date.submitted2023-07-26-
dc.identifier.urihttps://bdm.unb.br/handle/10483/36333-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1This work presents a novel loss function for metric learning in the context of online signature biometric verification whose goal is, at the same time, allow the model to be robust regarding high inter-class variance while generating similar deep representations from different signatures of the same user that respect the same distribution in order to make the distance between two signatures of the same person similar to the distance between two signatures of any other person, this is done to allow the system achieve good results when operating with a global threshold. The reference model used in this work performs the classification of a signature as genuine or forgery using thresholds and, albeit it presents good results using local threshold, they decrease when using a global threshold. This novel loss function, together with the change of two input signals, proposed in this work, aims to decrease the dispersion of optimal local thresholds to make the optimal global threshold more expressive, resulting in better Equal Error Rate (EER). The proposed model was tested in all tasks of the DeepSign dataset and, in relation to the base model, presented improvements from 26.39% to 99.05% in variance and from 14.79% to 60.79% in amplitude. These improvements were accompanied by improvements in the EER allowing the proposed model to surpass the state of the art in some tasks. In relation to the reference model, the proposed model presented an improvement of 7.87% in the stylus scenario, four reference signatures and attacks with skilled forgeries, in addition with relative improvements of 14.44% and 7.26% in the finger scenario with four and one, respectively, reference signatures and attacks with skilled forgeries.pt_BR
Aparece na Coleção:Ciência da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.