近日，我校信息科學與技術學院（網(wǎng)絡空間安全學院）鄭煜辰副教授團隊在離線手寫簽名鑒定領域和遙感變化檢測研究中取得新進展，研究結果分別以“Fusing deep and hand-crafted features by deep canonically correlated contractive autoencoder for offline signature verification”（用于離線簽名鑒定的基于深度典型相關收縮自編碼器融合深度特征與手工特征）和“AGFormer: An Anchor-Guided Transformer for Class Imbalance in Remote Sensing Change Detection”（AGFormer：一種用于遙感變化檢測中類別不平衡問題的錨點引導Transformer方法）兩篇文章均發(fā)表于《Pattern Recognition》（中國科學院一區(qū)TOP，IF：7.6）

手寫簽名目前是應用最廣泛且認可度最高的身份授權形式，是數(shù)字化時代個人身份驗證的重要方式。由于偽造者會預先從目標簽名者處獲取真實簽名的信息，熟練偽造的簽名與真實簽名之間通常僅存在細微差異。因此，構建一個能夠識別熟練偽造簽名的自動手寫簽名驗證系統(tǒng)是一項極具價值的挑戰(zhàn)性任務。

為了解決“如何學習區(qū)分熟練偽造簽名與真實簽名的有效表示”這一技術難題，團隊提出了一種融合深度學習特征與手工設計特征的離線手寫簽名鑒定特征融合方法，該方法融合了不同特征視圖的優(yōu)點。具體而言，提出了深度典型相關收縮自編碼器（DCCCAE）用于學習深度特征與手工特征之間的融合表示，這種特征既包含了深度細節(jié)特征又包含了手工紋理特征，兩種特征相互互補。在特征學習過程之后，針對每個簽名者訓練支持向量機作為依賴用戶的分類器，以構建完整的驗證系統(tǒng)。

圖:基于深度和手工特征的深度典型相關壓縮自編碼器特征學習方法

遙感變化檢測旨在通過分析同一區(qū)域不同時相的遙感影像識別地表變化，對環(huán)境監(jiān)測、城市規(guī)劃等領域有著重大的意義，但是兩期圖像中未變化的比例顯著高于變化類，存在嚴重的類別不平衡問題，導致模型易偏向預測未變化類，漏檢關鍵變化信息。

團隊提出錨點引導的Transformer模型，創(chuàng)新性地引入超球面錨點正則化機制：通過在超球面空間初始化類別錨點并分階段實施基于相似性的對比學習，同步優(yōu)化類間可分性與類內(nèi)特征分布平衡。同時設計解耦錨點優(yōu)化策略，通過分離錨點更新路徑規(guī)避類別不平衡對梯度更新的干擾，結合主干特征監(jiān)督與錨點映射分類器校準，實現(xiàn)判別性特征與魯棒分類器的協(xié)同優(yōu)化。為進一步強化變化區(qū)域識別，提出光流引導的變化增強模塊，抑制骨干網(wǎng)絡特征圖中未變化類別特征，強調變化類的特征。所提出模塊具備即插即用特性，可無縫集成至現(xiàn)有模型架構。

信息科學與技術學院（網(wǎng)絡空間安全學院）碩士研究生趙星標、鄭禮東為第一篇論文的共同第一作者，陳佳恩和武達為第二篇文章的共同第一作者，鄭煜辰副教授為上述兩篇論文的通訊作者。

（通訊員：鄭煜辰）