Sep, 2020

在无约束场景下的基于图像的自动抄表：一种强健高效的方法

PDF
TL;DR本文针对自动抄表在真实场景中遇到的挑战，提出一种全新的自动抄表系统，通过引入角点检测和反分类技术，优化识别之前的计数器区域，提高识别率，在 Copel-AMR 数据集的测试中，该系统表现出较高的识别率。
automatic meter readingcorner detectionrecognition ratereal-world scenarioscopel-amr dataset
发现论文，激发创造
  • 基于深度学习的图像自动抄表：数据集和基准模型

    本研究提出了一种基于深度学习的多表盘电表读取方法，这是首个尝试采用深度学习方法读取非智能表的研究，并在多个模型上进行了实验。通过本研究，我们提供了一个公共的、基于真实世界的电表数据集，同时还进行了详细的误差分析，对实际中存在的主要问题进行了评估。

    May, 2020

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 重新思考不规则场景文本识别

    本文介绍了基于矩形化的文字识别方法的一些技巧，使其在曲线文本数据集上表现出色，并在 ICDAR 2019 任意形状文本挑战中获得了较高的准确性。

    Aug, 2019

  • METER-ML: 自动甲烷源映射的多传感器地球观测基准

    该研究建立了一个名为 METER-ML 的多传感器数据集，包含标记 85,599 张图像的美国甲烷源设施，并实验了不同的模型，最终找到了一个精度召回曲线下面积达到 0.915 和 0.821 的最佳模型，证明了大规模映射的潜力。

    Jul, 2022

  • 利用 Transformer 增强物联网应用中的自动调制识别

    利用 Transformer 网络为物联网应用中的自动调制识别提出了一种高效的方法，优于传统深度学习技术，实现了最高的识别准确度。

    Mar, 2024

  • 朝着无约束的端到端文本检测

    一项新的网络模型使用实例分割方法和注意力模型识别和提取曲线形状的文本内容，并使用多步光学字符识别引擎提高识别准确性，大幅度领先现有模型的准确性。

    Aug, 2019

  • 用概率和结构意识算法改进 AMR 对齐的多样性、准确性和覆盖范围

    本文提出了一个利用无监督学习和启发式方法对抽象意义表示（AMR）图组件与英语句子跨度进行对齐的算法，避免了单独的句法分析，提高了节点和边缘的覆盖率和准确性，并发布了 LEAMR 数据集和对齐器供 AMR 解析、生成和评估研究使用。

    Jun, 2021

  • 针对摄像机拍摄具有鲁棒性的图像水印技术的自动定位和检测应用

    本文提出了一种图像水印系统，该系统可以自动处理图像中的水印定位和检测，并在应用场景中具有广泛的适用性。与以前的方法相比，该方法使用深度学习技术，实现了端到端的水印嵌入和检测，并使用透视校正提高了检测的自动性能力。

    Apr, 2023

  • 通过强健的全局特征提取增强自动调制识别

    自动调制识别在无线通信系统中起着关键作用，我们提出了一种名为 TLDNN 的混合深度框架，将 Transformer 和 LSTM 的结构相结合，通过自注意机制建模信号序列的全局相关性以增强时间依赖性的捕捉，并采用段替换（SS）的数据增强策略来提高模型对调制相关特征的鲁棒性，实验结果表明我们的方法在广泛使用的数据集上取得了最先进的性能并在复杂性方面具有显著优势。

    Jan, 2024

  • 区域感知度量学习通过元通道聚合用于开放世界语义分割

    本研究提出了一种叫做区域感知度量学习（RAML）的方法，通过区分图像的不同区域和生成区域感知特征从而改进模型在分割异常区域和 OUP 对象上的性能，在增量少样本学习方面达到了 SOTA 表现。

    May, 2022