論文の概要: Vehicle and License Plate Recognition with Novel Dataset for Toll Collection

• arxiv url: http://arxiv.org/abs/2202.05631v1
• Date: Fri, 11 Feb 2022 14:11:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 23:15:59.809509
• Title: Vehicle and License Plate Recognition with Novel Dataset for Toll Collection
• Title（参考訳）: 料金徴収のための新規データセットを用いた車両およびナンバープレート認識
• Authors: Muhammad Usama, Hafeez Anwar, Muhammad Muaz Shahid, Abbas Anwar, Saeed Anwar, Helmuth Hlavacs
• Abstract要約: 車両のタイプ認識, ナンバープレートのローカライゼーション, 読み出しの3段階からなる, 料金収集のための自動フレームワークを提案する。 3つのタスクそれぞれに対して、You Only Look Once (YOLO)v2、YOLOv3、YOLOv4、FasterRCNNを評価します。 Raspberry Pi上でのリアルタイム実装では,Tiny YOLOv3とTiny YOLOv4と名付けられたYOLOの軽量バージョンを評価する。
• 参考スコア（独自算出の注目度）: 12.592208291314126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an automatic framework for toll collection, consisting of three steps: vehicle type recognition, license plate localization, and reading. However, each of the three steps becomes non-trivial due to image variations caused by several factors. The traditional vehicle decorations on the front cause variations among vehicles of the same type. These decorations make license plate localization and recognition difficult due to severe background clutter and partial occlusions. Likewise, on most vehicles, specifically trucks, the position of the license plate is not consistent. Lastly, for license plate reading, the variations are induced by non-uniform font styles, sizes, and partially occluded letters and numbers. Our proposed framework takes advantage of both data availability and performance evaluation of the backbone deep learning architectures. We gather a novel dataset, \emph{Diverse Vehicle and License Plates Dataset (DVLPD)}, consisting of 10k images belonging to six vehicle types. Each image is then manually annotated for vehicle type, license plate, and its characters and digits. For each of the three tasks, we evaluate You Only Look Once (YOLO)v2, YOLOv3, YOLOv4, and FasterRCNN. For real-time implementation on a Raspberry Pi, we evaluate the lighter versions of YOLO named Tiny YOLOv3 and Tiny YOLOv4. The best Mean Average Precision (mAP@0.5) of 98.8% for vehicle type recognition, 98.5% for license plate detection, and 98.3% for license plate reading is achieved by YOLOv4, while its lighter version, i.e., Tiny YOLOv4 obtained a mAP of 97.1%, 97.4%, and 93.7% on vehicle type recognition, license plate detection, and license plate reading, respectively. The dataset and the training codes are available at https://github.com/usama-x930/VT-LPR
• Abstract（参考訳）: 車両のタイプ認識,ライセンスプレートのローカライゼーション,読み取りという3つのステップからなる,料金徴収のための自動フレームワークを提案する。 しかし、3つのステップはそれぞれ、いくつかの要因によって引き起こされる画像の変化によって、非自明になる。 正面の伝統的な車両装飾は、同じタイプの車両に変化をもたらす。 これらの装飾は、厳しい背景乱雑と部分閉塞のため、ナンバープレートのローカライゼーションと認識を困難にしている。 同様に、ほとんどの車両、特にトラックでは、ナンバープレートの位置は一貫していない。 最後に、ナンバープレートの読み取りでは、バリエーションは一様でないフォントのスタイル、サイズ、および部分的にオクルードされた文字と数字によって引き起こされる。 提案するフレームワークは,backboneディープラーニングアーキテクチャのデータ可用性とパフォーマンス評価の両方を活用する。 6種類の車両に属する10k画像からなる新しいデータセットである \emph{Diverse Vehicle and License Plates Dataset (DVLPD) を収集する。 それぞれの画像は手動で車種、ナンバープレート、文字と数字に注釈付けされる。 3つのタスクそれぞれに対して、You Only Look Once (YOLO)v2、YOLOv3、YOLOv4、FasterRCNNを評価します。 Raspberry Pi上でのリアルタイム実装では,Tiny YOLOv3とTiny YOLOv4と名付けられたYOLOの軽量バージョンを評価する。 最良平均精度(map@0.5)は98.8%、ナンバープレート検出98.5%、ナンバープレート読取98.3%であり、ライトバージョンであるtiny yolov4は97.1%、97.4%、93.7%を車両タイプ認識、ナンバープレート検出、ナンバープレート読取でそれぞれ取得した。 データセットとトレーニングコードはhttps://github.com/usama-x930/vt-lprで入手できる。

関連論文リスト

• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• Character Time-series Matching For Robust License Plate Recognition [0.0]
  本稿では,複数のフレームにおけるナンバープレートの追跡により,ナンバープレートの認識精度を向上させる手法を提案する。 まず、検出されたナンバープレートを正しく整列するために、Adaptive License Plate Rotationアルゴリズムを適用する。 第二に、多くの結果フレームからライセンスプレート文字を認識するための文字時系列マッチング法を提案する。
  論文  参考訳（メタデータ） (2023-07-21T03:50:23Z)
• Iranian License Plate Recognition Using a Reliable Deep Learning Approach [0.0]
  本稿では,ライセンスプレートの認識を2段階に分けて行う。 最初のステップは、入力画像からライセンスプレートの矩形を検出することである。 第2ステップでは、これらのナンバープレートを画像から抽出し、その文字を認識する。
  論文  参考訳（メタデータ） (2023-05-03T17:34:10Z)
• Automatic Number Plate Recognition (ANPR) with YOLOv3-CNN [0.0]
  環境要因の影響を判定するために,様々な画像補正方式で車両識別を行う。 交通画像のデータセットから車両を識別するために、YOLOv3オブジェクト検出モデルを訓練した。 第2のYOLOv3層は車両画像からナンバープレートを特定するために訓練された。
  論文  参考訳（メタデータ） (2022-11-07T12:59:01Z)
• YOLO and Mask R-CNN for Vehicle Number Plate Identification [0.0]
  The proposed Mask R-CNN method has achieved significant progress in character recognition。 オープンデータプレート収集で提示される方法論は他の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-26T19:41:59Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Pluggable Weakly-Supervised Cross-View Learning for Accurate Vehicle Re-Identification [53.6218051770131]
  クロスビューの一貫した機能表現は、正確な車両ReIDの鍵です。 既存のアプローチは、広範な余分な視点アノテーションを使用して、クロスビュー学習を監督する。 Weakly-supervised Cross-View Learning (WCVL) モジュールを車載用として提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:51:09Z)
• End-to-end trainable network for degraded license plate detection via vehicle-plate relation mining [26.484883058620134]
  そこで本研究では,車両-プレート関係のマイニングによるナンバープレート検出の新規かつ適用可能な手法を提案する。 まず,車両とナンバープレートの関係を利用して,ナンバープレート周辺の地域を推定する。 第二に, 斜めプレートの四隅を後退させて, 斜めプレートを頑健に検出することにより, 局所領域の四辺境界ボックスを予測することを提案する。
  論文  参考訳（メタデータ） (2020-10-27T13:05:31Z)
• A Robust Attentional Framework for License Plate Recognition in the Wild [95.7296788722492]
  本稿では,ライセンスプレート認識のための堅牢なフレームワークを提案する。 ナンバープレート画像生成のためのCycleGANモデルと、プレート認識のための精巧な設計された画像系列ネットワークで構成されている。 われわれは、中国本土31州から1200枚の画像を含む新しいライセンスプレートデータセット「CLPD」をリリースした。
  論文  参考訳（メタデータ） (2020-06-06T17:11:52Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。