改进畸变平面物体检测网络以提高自动车牌识别能力
该研究利用最先进的扩散模型在低分辨率和高分辨率的沙特车牌图像上进行训练,实现了超分辨率处理,其在识别精度和结构相似性指数方面都超过了现有技术,并获得了 92%的人工评估员的认可,为监控系统提供了具有实际潜力的车牌超分辨率的创新解决方案。
Sep, 2023
本文提出了一种实时精准的自动车牌识别方法,其中采用了基于卷积神经网络的车牌识别模型、几何校正模型以及字符编码器等技术,通过使用顶点信息和共享特征分类器等,达到了较好的识别效果及较强的泛化能力。
Nov, 2020
本文提出一种弱监督检测变换器 (Weakly Supervised Detection Transformer) 方法,通过利用大规模预训练数据集的知识,实现对百余种新颖物体的检测,并优化多实例学习框架,从而在大规模新颖物体检测数据集上优于现有模型,在 WSOD 预训练中类别数量比图像数量的重要性更大。
Jul, 2022
本文介绍了我们在 Waymo 开源数据集上使用的解决方案,使用了 FPN、Cascade RCNN、stacked PAFPN Neck 和 Double-Head 等技术对性能进行了提升,在训练和测试中使用了非常大的图像尺度,并使用这些方法,在 2D 物体检测领域获得了第一名。
Aug, 2020
本文提出了一种新颖的深度网络用于弱监督目标检测,通过生成提案聚类来学习精细的实例分类器,能够有效防止网络过度关注物体部分而不是整体,实验表明该方法明显优于现有技术。
Jul, 2018
该篇论文提出了一种针对车牌内文本检测问题的方法,通过合并多个不同角度的图像帧,从车牌的角点和面积等特征中提取描述性特征,使用相似度估计和距离度量来恢复同一车牌行中的文本组件。随后,采用 CnOCR 方法进行车牌内文本识别。对自收集的数据集 (PTITPlates) 和公开的 Stanford Cars 数据集进行的实验结果表明,该方法在各种情景下都优于现有方法。
Sep, 2023
提出了一种以多个检测分支为基础的弱监督物体检测方法,通过不同的初始化方式来利用不稳定性从而提高性能,在 PASCAL VOC 基准测试中达到了最新的最优性能表现。
Jun, 2019
提出一种通过超分辨率生成对抗网络 (SRGAN) 使用低分辨率相机或图像和视频流进行自动坑洞检测的算法,并使用 You Only Look Once (YOLO) 网络在低质量和高质量的车载摄像头图像上建立基线坑洞检测性能,然后通过图像增强的方式提高速度和准确性。
Nov, 2023
提出了一种基于主动方案的对象检测包装器 PrObeD,通过学习信号来增强这些对象检测器的性能,包括 2D 对象检测、模板生成和加密图像的解密,实验证明 PrObeD 在多个数据集上对不同检测器的性能有所改进。
Oct, 2023
本文提出了一种基于 Convoluted Pattern of Wavelet Transform(CPWT)特征向量的 CNN 特征分析方法,通过优化 Grey Wolf Optimization(GWO)算法,对动态图像帧数据集中的特征进行分析和分类,从而实现自动化的特征分析。
Apr, 2022