近日，我校信息科学与技术学院（网络空间安全学院）郑煜辰副教授团队在离线手写签名鉴定领域和遥感变化检测研究中取得新进展，研究结果分别以“Fusing deep and hand-crafted features by deep canonically correlated contractive autoencoder for offline signature verification”（用于离线签名鉴定的基于深度典型相关收缩自编码器融合深度特征与手工特征）和“AGFormer: An Anchor-Guided Transformer for Class Imbalance in Remote Sensing Change Detection”（AGFormer：一种用于遥感变化检测中类别不平衡问题的锚点引导Transformer方法）两篇文章均发表于《Pattern Recognition》（中国科学院一区TOP，IF：7.6）
手写签名目前是应用最广泛且认可度最高的身份授权形式，是数字化时代个人身份验证的重要方式。由于伪造者会预先从目标签名者处获取真实签名的信息，熟练伪造的签名与真实签名之间通常仅存在细微差异。因此，构建一个能够识别熟练伪造签名的自动手写签名验证系统是一项极具价值的挑战性任务。
为了解决“如何学习区分熟练伪造签名与真实签名的有效表示”这一技术难题，团队提出了一种融合深度学习特征与手工设计特征的离线手写签名鉴定特征融合方法，该方法融合了不同特征视图的优点。具体而言，提出了深度典型相关收缩自编码器（DCCCAE）用于学习深度特征与手工特征之间的融合表示，这种特征既包含了深度细节特征又包含了手工纹理特征，两种特征相互互补。在特征学习过程之后，针对每个签名者训练支持向量机作为依赖用户的分类器，以构建完整的验证系统。
图:基于深度和手工特征的深度典型相关压缩自编码器特征学习方法
遥感变化检测旨在通过分析同一区域不同时相的遥感影像识别地表变化，对环境监测、城市规划等领域有着重大的意义，但是两期图像中未变化的比例显著高于变化类，存在严重的类别不平衡问题，导致模型易偏向预测未变化类，漏检关键变化信息。
团队提出锚点引导的Transformer模型，创新性地引入超球面锚点正则化机制：通过在超球面空间初始化类别锚点并分阶段实施基于相似性的对比学习，同步优化类间可分性与类内特征分布平衡。同时设计解耦锚点优化策略，通过分离锚点更新路径规避类别不平衡对梯度更新的干扰，结合主干特征监督与锚点映射分类器校准，实现判别性特征与鲁棒分类器的协同优化。为进一步强化变化区域识别，提出光流引导的变化增强模块，抑制骨干网络特征图中未变化类别特征，强调变化类的特征。所提出模块具备即插即用特性，可无缝集成至现有模型架构。
信息科学与技术学院（网络空间安全学院）硕士研究生赵星标、郑礼东为第一篇论文的共同第一作者，陈佳恩和武达为第二篇文章的共同第一作者，郑煜辰副教授为上述两篇论文的通讯作者。
（通讯员：郑煜辰）
