SIGNATURE RECOGNITION USING MACHINE LEARNING

Abstract

I?mzalar yaygın olarak kis?isel tanımlama ve onaylama yo?ntemi olarak kullanılır. Banka c?ekleri ve yasal faaliyetler gibi birc?ok sertifikanın imza dog?rulaması gerekir. C?ok sayıda kag?ıdın imzasını dog?rulamak karmas?ık ve zaman alıcı bir is?tir. Sonuc? olarak, hassas genis?leme, benzersiz o?lc?u?lebilir fiziksel o?zelliklerle ilgili (parmak izleri, el ve yu?z, kulak, iris veya DNA taraması) (yu?ru?yu?s?, ses vb.) biyometrik kis?isel dog?rulama ve kimlik dog?rulama sistemlerinde tanınmıs?tır. O?nerilen sistemin sahtecilikten gelen orijinal imzaları belirleme yeteneg?ini tanımlamak ic?in c?es?itli yo?ntemler kullanılmaktadır. Bu yaklas?ım, modeli bir siyam ag?ı ve bir sınıflandırıcı olarak U?c?lu? kaybı ile eg?itmek ic?in bir kaggle veri seti kullanarak imza dog?rulama ve tanıma ic?in yeni bir teknik sunar.

Signatures are commonly applied as a process of private classification and confirmation; various certifications such as bank checks and legal actions necessitate signature affirmation. Confirming the signatures on a huge number of papers is a complicated and time-consuming duty. As a result, a sensitive extension has been recognized in biometric personal confirmation and authentication systems that interact to unique, quantifiable physical attributes (fingerprints or hand, face, ear, iris, or DNA scans) or observable characteristics (gait, sound, etc.). Some techniques are utilised to represent the proposition system's aptitude to differentiate the real signatures from the copies. This method performs a new procedure for signature verification and recognition, utilising a Kaggle dataset for training the model with a siamese network and triplet loss as a classifier