GAFSV-Net: A Vision Framework for Online Signature Verification

Aquí se presenta un resumen técnico detallado del artículo "GAFSV-Net: A Vision Framework for Online Signature Verification".

1. Planteamiento del Problema

La Verificación de Firma en Línea (OSV) tiene como objetivo distinguir las firmas genuinas de las falsificaciones habilidosas. Esta tarea enfrenta dos desafíos principales:

1. Alta Variabilidad Intraclase: La firma de un usuario varía significativamente entre diferentes instancias de escritura debido a la velocidad, la presión y los factores ambientales.
2. Escasez de Datos: Los sistemas de verificación a menudo tienen muy pocas muestras de inscripción (por ejemplo, 1–4 firmas) por usuario, lo que dificulta aprender modelos robustos independientes del escritor.

Limitaciones de los Métodos Existentes:

• Enfoques Clásicos: Se basan en características diseñadas a mano (por ejemplo, DTW, GMM) que generalizan mal entre diferentes estilos de escritura.
• Aprendizaje Profundo (1D): La mayoría de los modelos actuales de aprendizaje profundo (RNN, LSTM, 1D-CNN, Transformers) procesan secuencias temporales crudas directamente. Esto los restringe a arquitecturas 1D, impidiendo el uso de potentes backbones de visión 2D preentrenados (por ejemplo, aquellos entrenados en ImageNet) y fallando en aprovechar los sesgos inductivos espaciales 2D.
• Brecha: Existe una falta de métodos que conviertan efectivamente los datos de firmas en series temporales 1D en una representación 2D adecuada para modelos avanzados de visión por computadora.

2. Metodología: GAFSV-Net

Los autores proponen GAFSV-Net, un marco de aprendizaje profundo de doble rama que cierra la brecha entre los datos temporales 1D y las arquitecturas de visión 2D.

A. Representación de Datos: Campos Angulares Gramianos Asimétricos (GAF)

En lugar de alimentar secuencias $(x, y, p)$ crudas directamente a una red, el método primero transforma los datos en imágenes 2D:

1. Extracción Cinemática: Se derivan tres series temporales de los datos crudos del lápiz óptico:
   • Velocidad del lápiz ($v$)
   • Derivada de la presión ($\dot{p}$)
   • Ángulo de dirección ($\theta$)
2. Codificación: Cada uno de los tres canales se codifica independientemente en dos matrices 2D complementarias:
   • GASF (Campo de Suma Angular Gramiano): Codifica la co-ocurrencia de valores (estructura simétrica). Captura cuándo dos pasos de tiempo tienen valores similares.
   • GADF (Campo de Diferencia Angular Gramiano): Codifica las transiciones direccionales (estructura antisimétrica). Captura si un valor está aumentando o disminuyendo entre pasos de tiempo.
3. Construcción Asimétrica: Para preservar el orden temporal causal y reducir la redundancia, los autores dividen la serie temporal en dos mitades. El triángulo superior de la matriz representa la correlación de la primera mitad consigo misma, y el triángulo inferior representa la segunda mitad. Esto resulta en una imagen de seis canales ($3 \text{ canales} \times 2 \text{ variantes}$) de tamaño $M/2 \times M/2$.

B. Arquitectura de la Red

El marco utiliza una arquitectura ConvNeXt-Tiny de Doble Rama:

• Backbones Duplicados: Dos redes ConvNeXt-Tiny independientes (preentrenadas en ImageNet-1k) procesan las mitades GASF y GADF por separado. Esto permite que cada rama aprenda filtros especializados en las propiedades estadísticas específicas de las imágenes simétricas (GASF) frente a las antisimétricas (GADF).
• Mecanismos de Atención:
  • Autoatención Intra-rama: Refina los mapas de características dentro de cada rama para capturar correlaciones espaciales globales.
  • Atención Cruzada Bidireccional: Fusiona información entre las ramas GASF y GADF. Esto permite que la rama GASF consulte patrones discriminativos en la rama GADF (y viceversa) antes de la proyección.
• Proyección: Las características fusionadas se proyectan sobre una hipersfera unitaria para crear una incrustación compacta de $D$ dimensiones.

C. Estrategia de Entrenamiento

El modelo se entrena utilizando un enfoque de aprendizaje métrico independiente del escritor:

• Función de Pérdida: Una combinación de Pérdida de Tercetos Semi-difíciles y un Regularizador de Uniformidad.
• Inyección de Negativos Difíciles: Las falsificaciones habilidosas se inyectan explícitamente como "negativos difíciles" durante el entrenamiento. Un término específico a nivel de cluster asegura que las falsificaciones sean alejadas del cluster genuino de su escritor objetivo, no solo de escritores aleatorios.
• Uniformidad: Previene el "colapso de incrustaciones" (donde todas las muestras se agrupan en un solo punto) al fomentar que las incrustaciones se distribuyan uniformemente a través de la hipersfera.

D. Verificación

En el momento de la prueba, el sistema calcula la similitud del coseno entre la incrustación de una firma de consulta y la media de los prototipos de inscripción del usuario. Si la puntuación supera un umbral, la firma se acepta.

3. Contribuciones Clave

1. Representación Novel: Propone la primera aplicación de la codificación GASF/GADF Asimétrica para OSV, transformando señales cinemáticas 1D en imágenes 2D que mapean explícitamente las correlaciones temporales por pares.
2. Arquitectura de Doble Rama: Demuestra que GASF y GADF capturan aspectos ortogonales de la dinámica temporal (co-ocurrencia vs. dirección). El diseño de doble rama con atención cruzada aprovecha efectivamente estas vistas complementarias.
3. Aprendizaje por Transferencia: Transfiere con éxito backbones de visión 2D preentrenados en ImageNet al dominio de OSV con escasez de datos, superando a los modelos entrenados desde cero en secuencias 1D.
4. Comparación Controlada: Proporciona la primera comparación justa entre métodos basados en GAF y baselines basados en secuencias (BiLSTM, Transformer, TCN) utilizando objetivos de entrenamiento idénticos, aislando la ganancia proveniente de la representación en sí misma.

4. Resultados Experimentales

El marco se evaluó en los conjuntos de datos DeepSignDB y BiosecurID.

• Rendimiento:
  • BiosecurID: Logró una Tasa de Error Igual (EER) del 2.97% con 4 muestras de inscripción, superando significativamente al mejor anterior (DeepSign con 5.61%) y al baseline estándar DTW (10.43%).
  • DeepSignDB: Logró una EER del 6.01%, superando a todos los baselines basados en secuencias (BiGRU, LSTM, Transformer, TCN) entrenados con el mismo objetivo.
• Comparación con Baselines:
  • GAFSV-Net superó consistentemente a los modelos 1D (RNN, 1D-CNN, Transformers).
  • Incluso superó a MOMENT, un gran modelo fundacional de series temporales, demostrando que la codificación GAF 2D proporciona sesgos inductivos que el preentrenamiento en el dominio de secuencias no puede recuperar.
• Estudios de Ablación:
  • GADF vs. GASF: Se encontró que GADF (direccional) era ligeramente más discriminativo que GASF (co-ocurrencia) para falsificaciones habilidosas, pero la combinación arrojó los mejores resultados.
  • Atención Cruzada: El mecanismo de atención cruzada bidireccional proporcionó una mejora de ~0.6% sobre la concatenación simple, demostrando el valor de la fusión dinámica de características.
  • Componentes de Pérdida: La combinación de Pérdida de Tercetos, Inyección de Falsificaciones y Regularización de Uniformidad fue esencial; eliminar cualquier componente degradó el rendimiento significativamente.

5. Significado

• Cambio de Paradigma: GAFSV-Net establece que convertir datos de series temporales en imágenes estructuradas 2D permite a los sistemas OSV aprovechar el poder representacional masivo de los modelos de visión por computadora preentrenados, una capacidad previamente no disponible para los modelos de secuencia 1D.
• Robustez: El método es particularmente efectivo contra falsificaciones habilidosas, que a menudo imitan la forma general de una firma pero fallan en replicar la dinámica cinemática fina (aceleración, cambios de presión) capturada por la codificación GADF.
• Generalizabilidad: El marco es independiente del escritor y no requiere parámetros específicos del usuario en el momento de la prueba, lo que lo hace adecuado para la implementación en el mundo real con datos de inscripción limitados.

En conclusión, GAFSV-Net demuestra que la codificación temporal 2D es una representación superior para la verificación de firmas en línea, ofreciendo una nueva dirección para la seguridad biométrica que va más allá del modelado tradicional de secuencias 1D.