Online Signature Verification Using Augmented Path Signature and T-Mamba

📄 arXiv: 2609.08276v1 📥 PDF

作者: Ruiling Li, Danyu Yang

分类: cs.LG, cs.CV

发布日期: 2026-09-08

备注: International Conference on Document Analysis and Recognition (ICDAR) 2026

DOI: 10.1007/978-3-032-36042-7_8

🔗 代码/项目: GITHUB

💡 一句话要点

提出增强路径签名与T-Mamba模型以解决在线签名验证问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 在线签名验证 增强路径签名 T-Mamba模型 深度学习 特征提取 时间卷积网络 身份验证 金融安全

📋 核心要点

  1. 现有深度学习方法在在线签名验证中难以捕捉高度区分特征和建模长距离依赖，影响验证准确性。
  2. 提出将增强路径签名（APS）与T-Mamba模型结合，APS通过时间和基点增强来计算滑动窗口路径签名，提升特征表达能力。
  3. 在MCYT-100、SVC-2004 Task 2和DeepSignDB三个公共数据集上取得了最先进的EER，验证了方法的有效性和鲁棒性。

📝 摘要（中文）

手写签名验证在商业和金融应用中至关重要。尽管深度学习方法被广泛应用于在线签名验证（OSV），但在捕捉高度区分特征和建模长距离依赖方面仍面临挑战。为了解决这些问题，本文提出了一种新颖的框架，将增强路径签名（APS）描述符与T-Mamba模型相结合。APS描述符首先应用时间和基点增强，然后计算滑动窗口路径签名。路径签名是一种来自粗路径理论的非参数特征映射，有效捕捉几何结构和非线性通道间交互。T-Mamba模型采用混合设计，结合两个时间卷积网络（TCN）块与时间扫描Mamba，能够学习局部时间模式和全局长距离依赖，显著提高验证准确性。该框架在三个公共基准数据集上实现了最先进的EER，验证了其有效性和鲁棒性，尤其在训练数据有限的情况下。

🔬 方法详解

问题定义：本文旨在解决在线签名验证中现有深度学习方法在特征捕捉和长距离依赖建模方面的不足，导致验证准确性低下的问题。

核心思路：通过将增强路径签名（APS）描述符与T-Mamba模型相结合，APS通过时间和基点增强来提取更具区分性的特征，T-Mamba模型则通过混合设计来学习局部和全局时间模式。

技术框架：整体框架包括两个主要模块：APS描述符模块和T-Mamba模型模块。APS模块负责特征提取，而T-Mamba模型则负责特征的序列建模和验证。

关键创新：最重要的创新点在于APS描述符的引入，它有效捕捉几何结构和非线性交互，结合T-Mamba模型的混合设计，显著提升了模型的表现。

关键设计：APS描述符通过滑动窗口计算路径签名，T-Mamba模型结合两个TCN块和时间扫描Mamba，能够同时学习局部和全局的时间模式，优化了模型的结构和参数设置。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的框架在MCYT-100、SVC-2004 Task 2和DeepSignDB数据集上实现了最先进的EER，验证准确性显著提升，尤其在训练数据有限的情况下，表现出更强的鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括金融交易、身份验证和安全系统等，能够有效提高手写签名的验证准确性和安全性。随着数字化交易的增加，该技术的实际价值和影响将愈加显著，推动相关领域的技术进步。

📄 摘要（原文）

Handwritten signature verification is vital for personal authentication across commercial and financial applications. Although deep learning methods are widely adopted for online signature verification (OSV), they often struggle with capturing highly discriminative features and modelling long-range dependencies. To address these issues, we propose a novel framework that integrates the augmented path signature (APS) descriptor with the T-Mamba model. The APS descriptor first applies time and basepoint augmentations, then computes sliding-window path signatures. The path signature is a non-parametric feature map from rough path theory that effectively captures geometric structures and nonlinear inter-channel interactions. Inspired by the efficacy of state space models (SSMs) in sequence modelling, our T-Mamba model employs a hybrid design combining two temporal convolutional network (TCN) blocks with a time-scanning Mamba. This design enables the model to learn both local temporal patterns and global long-range dependencies, substantially improving verification accuracy. Our framework achieves state-of-the-art EERs on three public benchmark datasets (MCYT-100, SVC-2004 Task 2, DeepSignDB), validating its effectiveness and robustness, especially when the training data is limited. Our code is publicly available at https://github.com/DLRL04/OSV-using-APS-and-T-Mamba.