逼真车牌去模糊数据集和模型
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
本研究提出了一个自动化的框架,由三个步骤组成:车型识别、车牌定位和阅读。我们使用深度学习算法,在新采集的多样化车型和车牌数据集上进行训练, 最终在车型识别、车牌定位和阅读三个任务中,YOLOv4 算法获得了最佳表现,同时我们也发布了我们的数据集和训练代码。
Feb, 2022
这项研究致力于使用超分辨率技术来处理模糊的车牌。通过对比不同的超分辨率模型,希望找到最适合这项任务的模型,为未来的研究者提供有价值的参考。
Mar, 2024
为了推动道路安全、交通监控、监视和物流自动化的最新技术,我们引入了全球车牌数据集(GLPD)。该数据集由超过 500 万张图像组成,包括来自 74 个国家的多样化样本,并具有精细的注释,包括车牌字符、车牌分割掩码、车牌角点以及车辆的制造商、颜色和型号。此外,我们还提供了更多类别的标注数据,如行人、车辆、道路等。我们还包括了数据集的统计分析,并提供了高效准确的基准模型。GLPD 旨在成为车牌识别模型开发和微调的主要基准数据集。
Mar, 2024
自动车牌识别(ALPR)是一种利用图像处理和计算机视觉技术自动读取和提取车辆车牌数据的系统。该方法包括处理孟加拉低分辨率模糊的车牌并识别车牌字符,通过图像恢复、对比度最大化、形态学图像处理、卷积神经网络进行特征提取、字符分割和识别。为该项目准备了 1292 张孟加拉数字和字符的数据集。
Dec, 2023
通过使用深度学习方法,本研究通过对海量车牌字符图像的训练,提出一种具有抵抗故意篡改攻击的车牌字符识别方法。通过生成对抗性图像进行训练,模型在识别车牌字符方面达到了 99.7% 的准确率,并通过解释性研究找出了容易受到攻击的车牌字符图像区域,从而为改进车牌识别系统的鲁棒性提供了重要参考。
Oct, 2023
DeblurGAN 是一种基于条件 GAN 和内容损失学习的运动去模糊的端到端学习方法,能在结构相似度和视觉效果方面达到最先进的性能,同时还能提高检测运动去模糊图像的速度,而且还引入了一种新方法,通过运动去模糊合成运动模糊图像,从而实现数据增强。
Nov, 2017
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
本论文提出了一种使用两个 GAN 模型的新方法,即学会如何模糊图像的深度学习模型和学习如何去模糊的深度学习模型,通过学习如何模糊图像来学习更好的图像去模糊模型,并使用相对论模糊损失来降低真实模糊与合成模糊之间的差异。实验表明,该方法在新提出的数据集和公共数据集上都取得了一致优越的定量性能和更高的感知质量。
Apr, 2020
DeblurGAN-v2 是一种基于到相对论条件 GAN 的新型端到端生成对抗网络,其采用 Feature Pyramid Network 作为生成器中的核心构建块,在单幅图像运动去模糊方面有着很高的实用价值。
Aug, 2019