Online signature verification (OSV) is a widely utilised technique in the medical, e-commerce and m-commerce applications to lawfully bind the user. These high-speed systems demand faster writer verification with a limited amount of information along with restrictions on training and storage cost. This study makes two major contributions: (i) A competent feature fusion technique in which traditional statistical-based features are fused with deep representations from a convolutional auto-encoder; and (ii) a hybrid architecture combining depth-wise separable convolution neural network (DWSCNN) and long short term memory (LSTM) network delivering state-of-the-art performance for OSV is proposed. DWSCNN is utilised for extracting deep feature representations and LSTM is competent in learning long term dependencies of stroke points of a signature. This hybrid combination accomplishes better classification accuracy (lower error rates) even with one-shot learning, i.e. achieving higher classification accuracies with only one training signature sample per user. The authors have extensively evaluated their model using three widely used datasets MCYT-100, SVC and SUSIG. These exhaustive experimental studies confirm that the DeepFuseOSV framework results in the state-of-the-art outcome by achieving an equal error rate (EER) of 13.26, 2.58, 0.07% in Skilled 1, Skilled 10 and Random 10 categories of MCYT-100, respectively, 7.71% in Skilled 1 category of SVC, 1.70% in Random 1 category of SUSIG.

中文翻译：

---

DeepFuseOSV：使用混合特征融合和深度可分离卷积神经网络体系结构进行在线签名验证

在线签名验证（OSV）是在医学，电子商务和移动商务应用程序中广泛使用的技术，可合法绑定用户。这些高速系统要求在信息量有限的情况下更快地进行作者验证，同时还要限制培训和存储成本。这项研究做出了两个主要贡献：（i）一种有效的特征融合技术，其中将传统的基于统计的特征与卷积自动编码器的深层表示融合在一起；（ii）提出了一种混合架构，结合了深度可分离卷积神经网络（DWSCNN）和长期短期记忆（LSTM）网络，可为OSV提供最新的性能。DWSCNN用于提取深层特征表示，而LSTM具有学习签名的笔触点的长期依赖性的能力。即使一次学习，这种混合组合也可以实现更好的分类精度（较低的错误率），即，每个用户仅使用一个训练签名样本即可实现更高的分类精度。作者已使用三个广泛使用的数据集MCYT-100，SVC和SUSIG广泛评估了他们的模型。这些详尽的实验研究证实，DeepFuseOSV框架通过在MCYT-100的技术1，技术10和随机10类中实现13.26、2.58、0.07％的均等错误率（EER），从而实现了最新的结果分别是SVC的Skill 1类别的7.71％，SUSIG的Random 1类别的1.70％。每个用户只有一个训练签名样本，即可实现更高的分类精度。作者已使用三个广泛使用的数据集MCYT-100，SVC和SUSIG广泛评估了他们的模型。这些详尽的实验研究证实，DeepFuseOSV框架通过在MCYT-100的技术1，技术10和随机10类中实现13.26、2.58、0.07％的均等错误率（EER），从而实现了最新的结果分别是SVC的Skill 1类别的7.71％，SUSIG的Random 1类别的1.70％。每个用户只有一个训练签名样本，即可实现更高的分类精度。作者使用三个广泛使用的数据集MCYT-100，SVC和SUSIG广泛评估了他们的模型。这些详尽的实验研究证实，DeepFuseOSV框架通过在MCYT-100的技术1，技术10和随机10类中实现13.26、2.58、0.07％的均等错误率（EER），从而实现了最新的结果分别是SVC的Skill 1类别的7.71％，SUSIG的Random 1类别的1.70％。