論文の概要: Benchmarking Algorithms for Automatic License Plate Recognition
- arxiv url: http://arxiv.org/abs/2203.14298v1
- Date: Sun, 27 Mar 2022 13:21:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-02 18:51:56.197914
- Title: Benchmarking Algorithms for Automatic License Plate Recognition
- Title（参考訳）: 自動プレート認識のためのベンチマークアルゴリズム
- Authors: Marcel Del Castillo Velarde and Gissel Velarde
- Abstract要約: 我々はLPR(Automatic License Plate Recognition)のためのLPRNetと呼ばれる軽量畳み込みニューラルネットワーク(CNN)の評価を行った。
LPRNetはエンドツーエンドのフレームワークで、両方のデータセットで堅牢なパフォーマンスを示している。
適切にトレーニングされた後、LPRNetは特定のリージョンとデータセットの文字を認識するために使用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We evaluated a lightweight Convolutional Neural Network (CNN) called LPRNet
[1] for automatic License Plate Recognition (LPR). We evaluated the algorithm
on two datasets, one composed of real license plate images and the other of
synthetic license plate images. In addition, we compared its performance
against Tesseract [2], an Optical Character Recognition engine. We measured
performance based on recognition accuracy and Levenshtein Distance. LPRNet is
an end-to-end framework and demonstrated robust performance on both datasets,
delivering 90 and 89 percent recognition accuracy on test sets of 1000 real and
synthetic license plate images, respectively. Tesseract was not trained using
real license plate images and performed well only on the synthetic dataset
after pre-processing steps delivering 93 percent recognition accuracy. Finally,
Pareto analysis for frequency analysis of misclassified characters allowed us
to find in detail which characters were the most conflicting ones according to
the percentage of accumulated error. Depending on the region, license plate
images possess particular characteristics. Once properly trained, LPRNet can be
used to recognize characters from a specific region and dataset. Future work
can focus on applying transfer learning to utilize the features learned by
LPRNet and fine-tune it given a smaller, newer dataset of license plates.
- Abstract（参考訳）: 我々はLPR(Automatic License Plate Recognition)のためのLPRNet [1]と呼ばれる軽量畳み込みニューラルネットワーク(CNN)を評価した。
本アルゴリズムは,実際のライセンスプレート画像と合成ライセンスプレート画像からなる2つのデータセット上で評価した。
また,その性能を光学式文字認識エンジンのtesseract [2]と比較した。
認識精度とレベンシュテイン距離に基づいて性能を測定した。
lprnetはエンドツーエンドのフレームワークであり、両方のデータセットで堅牢なパフォーマンスを示し、それぞれ1000のrealとsynthetic license plateイメージのテストセットで90と89パーセントの認識精度を提供する。
tesseractは実際のライセンスプレートイメージを使用してトレーニングされず、93パーセントの認識精度を提供する前処理ステップの後に合成データセット上でのみうまく動作した。
最後に、誤分類文字の周波数解析のためのパレート分析により、累積誤差の割合に応じて、どの文字が最も矛盾する文字であるかを詳細に知ることができた。
地域によっては、ナンバープレート画像に特有の特徴がある。
適切にトレーニングされたLPRNetは、特定のリージョンとデータセットの文字を認識するために使用することができる。
将来的には、LPRNetが学んだ機能を活用するために転送学習を適用することに注力し、ライセンスプレートのより小さく、より新しいデータセットを付与する。
関連論文リスト
- Bengali License Plate Recognition: Unveiling Clarity with CNN and
GFP-GAN [0.0]
LPRは、車両ナンバープレートから自動的にデータを読み取り、抽出するシステムである。
この計画のために1292枚のベンガル数字と文字のデータセットが準備された。
論文 参考訳（メタデータ） (2023-12-17T12:28:30Z) - 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) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳（メタデータ） (2022-12-30T12:20:56Z) - Measuring Self-Supervised Representation Quality for Downstream
Classification using Discriminative Features [56.89813105411331]
我々は,SimCLR,SwaV,MoCo,BYOL,DINO,SimSiam,VICReg,Barlow Twinsといった最先端の自己教師型モデルの表現空間について検討した。
本稿では,標本が誤分類される可能性を確実に予測できる教師なしスコアである自己監督表現品質スコア(Qスコア)を提案する。
Q-Score正規化による微調整により、SSLモデルの線形探索精度はImageNet-100で5.8%、ImageNet-1Kで3.7%向上する。
論文 参考訳（メタデータ） (2022-03-03T17:48:23Z) - A Comprehensive Study of Image Classification Model Sensitivity to
Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
このデータセットをRIVAL10と呼びます。
本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。
本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
論文 参考訳（メタデータ） (2022-01-26T06:31:28Z) - VL-LTR: Learning Class-wise Visual-Linguistic Representation for
Long-Tailed Visual Recognition [61.75391989107558]
本稿では,VL-LTRと呼ばれる視覚言語的長尾認識フレームワークを提案する。
本手法は,画像から視覚表現とそれに対応する言語表現を,雑音のあるクラスレベルのテキスト記述から学習することができる。
特に,ImageNet-LTでは77.2%の精度を達成し,従来のベストメソッドよりも17ポイント以上優れていた。
論文 参考訳（メタデータ） (2021-11-26T16:24:03Z) - End-to-End License Plate Recognition Pipeline for Real-time Low Resource
Video Based Applications [0.43012765978447565]
リアルタイムの推論速度を実現するために、Vision APIと組み合わせた新しい2段階検出パイプラインを提案する。
私たちは、画像データセットと、野生のライセンスプレートを含むビデオデータセットに基づいて、モデルをトレーニングしました。
実時間処理速度(毎秒27.2フレーム)で妥当な検出・認識性能を観測した。
論文 参考訳（メタデータ） (2021-08-18T18:31:01Z) - Rethinking and Designing a High-performing Automatic License Plate
Recognition Approach [16.66787965777127]
そこで我々は,VSNetと呼ばれる新しい自動ナンバープレート認識(ALPR)手法を提案する。
VSNetには2つのCNN、すなわちライセンスプレート検出用のVertexNetとライセンスプレート認識用のSCR-Netが含まれている。
実験結果から,提案したVSNetは,エラー率の相対的改善率が50%以上向上し,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-11-30T16:03:57Z) - 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)
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。