Verificação de assinaturas online com aprendizagem de métricas : explorando o impacto da dispersão de limiares locais ótimos

Abstract

Este 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.