Un modelo CNN personalizado para la autenticación de firmas - Implicaciones forenses

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Ciencia Forense

Sus antecedentes:

• La autenticación de firmas es crucial para verificar la identidad y prevenir el fraude.
• Los métodos tradicionales pueden ser lentos y subjetivos.
• El aprendizaje profundo ofrece potencial para la verificación de firmas automatizada y precisa.

Objetivo del estudio:

• Personalizar un modelo de red neuronal convolucional (CNN) basado en aprendizaje profundo para la autenticación de firmas.
• Evaluar el rendimiento del modelo en un conjunto de datos de firmas genuinas y falsificadas.

Principales métodos:

• Se personalizó y entrenó un modelo de red neuronal convolucional (CNN) con 1400 imágenes de firmas (700 genuinas, 700 falsificadas).
• El conjunto de datos se dividió en conjuntos de entrenamiento (1000 muestras) y prueba (400 muestras).
• La arquitectura del modelo se optimizó mediante el ajuste de hiperparámetros.

Principales resultados:

• El modelo logró altas tasas de precisión: 97,32 % (entrenamiento), 97,92 % (validación) y 84,5 % (prueba).
• Otras métricas de rendimiento incluyeron precisión (85 %), recuperación (84 %), puntuación F1 (84 %) y especificidad (90 %).
• El modelo propuesto demostró un rendimiento superior en comparación con los métodos existentes.

Conclusiones:

• La arquitectura CNN personalizada proporciona una solución eficaz para la autenticación de firmas.
• El modelo puede entrenarse aún más con conjuntos de datos más grandes para mejorar el rendimiento.
• Las aplicaciones potenciales incluyen el examen de documentos forenses, la banca y los entornos legales.