深度学习用于标志识别
本文介绍了一种利用快速区域卷积神经网络模型的自动图形标志检测系统，通过使用预处理阶段的候选窗口选择性搜索和数据增强提高标志识别率，实现了对图形标志的多重检测。实验结果表明，与手工模型以及其他特征的最新系统相比，该模型在噪声和其他转换下具有出色的性能。
Apr, 2016
本文介绍了一个大型标志图像数据库 “LOGO-Net”，用于标志检测和品牌识别任务，该数据库包括 18 个标志类别、10 个品牌和 16,043 个标志对象。作者还应用了新兴的深度学习技术进行标志检测和品牌识别任务，并利用多个最新的深度区域卷积网络技术进行物体检测任务的广泛实验。
Nov, 2015
该论文提出了一种基于强化学习的定位技术的新型商标图像识别方法，它可以在没有位置注释的情况下利用深度强化学习来识别图像中的商标区域，从而提高分类准确性。该方法在多个基准测试中相比现有方法实现了显著的准确性改进，特别是在复杂数据集 Logo-2K + 上的准确性提升了 18 个百分点，证明了该方法在实际应用中具有很大的潜力。
Dec, 2023
本文研究了 logo 识别问题，提出了一种 few-shot 目标检测的解决方案，其中主要包括通用的 logo 检测器和 few-shot logo 识别器，通过最近邻搜索和训练三元损失函数使用代理进行分类，提出了一个新的 2000 个 logo 的产品数据集 PL2K，并在 PL2K 测试数据集上实现了 97％的召回率和 0.6 mAP，并在公开可用的 FlickrLogos-32 测试集上实现了 0.565 mAP 的最优结果。
Nov, 2018
本研究探讨深度学习模型在品牌标志分类中的应用，并在一个包含十个知名品牌的数据集上测试了 CNN 和 ViT 两种模型的性能。研究发现，ViT 模型 (DaViT small) 具有 99.60% 的最高准确率，而 DenseNet29 则具有最快的推理速度。结果表明，由于其卓越的准确性，DaViT 模型适用于离线应用。这项研究展示了深度学习在品牌标志分类任务中的实际应用。
May, 2023
本文介绍了一种图像合成方法，能够在非受控环境中识别标志的有效性，从而避免昂贵的手动标注成本。该方法为生成合成上下文标志的训练图像设计了一种算法，提高了模型对未知背景干扰的鲁棒性，从而提高了标志识别的性能。我们还引入了一个新的标志检测数据集 TopLogo-10 进行模型性能基准测试，该数据集包含了在丰富的视觉语境中捕捉的十个最受欢迎的服装 / 可穿戴品牌名称标志。广泛的比较显示了我们提出的 SCL 模型在使用两个真实世界标志基准数据集 FlickrLogo-32 和我们的新 TopLogo-10 的标志检测方面优于现有的最新技术。
Dec, 2016
介绍了一种更加现实和具有挑战性的 Logo 检测模式 Open Logo Detection，并提出了一种 Context Adversarial Learning 方法以解决在训练数据较少的情况下，对于新 Logo 种类的更好检测问题。实验证明，该方法在 OpenLogo 检测基准测试中表现优异。
Jul, 2018
通过创建 Logo-2K+ 数据集并使用 DRNA-Net 方法进行实验，本研究旨在提出一种可扩展的方法来识别多样且复杂的真实世界中的商标图像。
Nov, 2019
本研究旨在探讨以 Faster R-CNN 为代表的物体检测方法在公司商标检测任务中的应用。针对小物体实例表现不佳的问题，我们对该方法中的候选区域生成和分类两个阶段进行了研究，提出了一种改进的候选框生成机制，并利用更高分辨率的特征图来提高小物体检测性能，实验证明其在 FlickrLogos 数据集上 RPN 性能从 0.52 提高到 0.71（MABO），检测性能从 0.52 提高到 0.67（mAP）。
Apr, 2017