Meta-heuristic optimization methods on SPD Manifolds and applications to computer vision
Μέθοδοι υπολογιστικής όρασης με χρήση μετα-ευρετικών αλγορίθμων βελτιστοποίησης στον χώρο πινάκων συνδιακύμανσης
![Thumbnail](/xmlui/bitstream/handle/11400/4826/Giazitzis_50326201705.pdf.jpg?sequence=6&isAllowed=y)
Λέξεις-κλειδιά
Στατική επαλήθευση υπογραφών ; Γεωμετρία Riemann ; Νευρωνικά δίκτυα ; Βελτιστοποίηση ; Επεξεργασία εικόνας ; Υπολογιστική όραση ; Συμμετρικοί θετικά οριζόμενοι πίνακες ; Δυαδική ταξινόμηση ; Offline signature verification ; Riemannian geometry ; Neural networks ; Optimization ; Digital image processing ; Computer vision ; Binary classificationΠερίληψη
Verifying whether or not a questioned handwritten signature belongs to a claimed identity is a quite challenging task, usually requiring careful examination, skills and knowledge. An accurate and efficient signature verification system, can provide considerable assistance by reducing the time it takes to complete a manual task, usually performed by Forensic Handwriting Examiners. Towards this purpose, this thesis proposes an offline handwritten signature verification framework in the space
of Symmetric Positive Definite matrices, by utilizing a metric learning approach which enables the use of a special purpose neural network, acting as a meta-heuristic optimization procedure. Specifically, the static signature images are mapped into points of the Symmetric Positive Definite Riemannian manifold and then, a metric learning approach is applied in order to learn a Mahalanobis
based distance which will minimize the distance of similar samples and maximize the distance of dissimilar ones. The experimental results with the use of two popular signature datasets of western origin, shows that the proposed framework is comparable at least to State-of-the-Art models, typically realized under a framework of Euclidean nature.
Περίληψη
Η επαλήθευση του κατά πόσον μια αμφισβητούμενη χειρόγραφη υπογραφή, που παρουσιάζεται σε ένα άνθρωπο ή ένα αλγόριθμο, ανήκει ή όχι σε μια διεκδικούμενη ταυτότητα είναι μια αρκετά δύσκολη εργασία, η οποία συνήθως απαιτεί προσεκτική εξέταση, δεξιότητες και γνώσεις. Ένα ακριβές και αποτελεσματικό σύστημα επαλήθευσης υπογραφών μπορεί να προσφέρει σημαντική βοήθεια, μειώνοντας τον χρόνο που απαιτείται για την ολοκλήρωση μιας χειροκίνητης εργασίας, η οποία συνήθως εκτελείται από δικαστικούς γραφολόγους – Forensic Handwriting Examiner. Προς την κατεύθυνση αυτή, η παρούσα διπλωματική εργασία προτείνει ένα πλαίσιο επαλήθευσης εικόνων, με περιεχόμενο χειρόγραφων υπογραφών, στο χώρο των συμμετρικών θετικά ορισμένων (SPD) πινάκων, χρησιμοποιώντας μια προσέγγιση μάθησης μιας μετρικής-απόστασης με τη χρήση ενός
νευρωνικού δικτύου ειδικού σκοπού, του οποίου η λειτουργία διέπετε από μια μετα-ευρετική διαδικασία βελτιστοποίησης. Συγκεκριμένα, α) οι εικόνες των υπογραφών (στατική προσέγγιση) απεικονίζονται ως σημεία του Riemannian SPD χώρου - πολύπτυχου και β) εφαρμόζεται μια προσέγγιση μάθησης μιας μετρικής - απόστασης Mahalanobis, η οποία θα ελαχιστοποιεί την
απόσταση δειγμάτων ίδιας προέλευσης και θα μεγιστοποιεί την απόσταση δειγμάτων διαφορετικής προέλευσης. Τα πειραματικά αποτελέσματα με τη χρήση δύο δημοφιλών συνόλων δεδομένων χειρόγραφων υπογραφών από τον επονομαζόμενο και ως δυτικό κόσμο, δείχνουν ότι το προτεινόμενο πλαίσιο είναι συγκρίσιμο τουλάχιστον με τα τρέχοντα μοντέλα αιχμής, τα οποία είθισται να υλοποιούνται υπό ένα πλαίσιο ευκλείδειας φύσης, κλειστό ως προς όλες τις γνωστές μας πράξεις.