Aug, 2024

增强车牌超分辨率：基于布局和字符驱动的方法

HTML
PDF
TL;DR该研究针对低分辨率和模糊图像下的车牌识别（LPR）挑战，提出了一种新的损失函数——布局和字符导向焦点损失（LCOFL），以提高字符特征学习。通过使用可变形卷积和注意力模块中的共享权重，该方法显著提升了字符重建质量，在实验中超越了两种先进方法，实现了更好的性能。
发现论文，激发创造
  • 深度神经网络实现端到端车牌检测和识别

    本研究提出了一种融合深度神经网络的方法，在单个前向传递中同时定位车牌并识别车牌上的字符。与现有方法不同的是，我们的方法可以避免中间误差的积累，并加快处理速度，并在三个数据集上进行实验，证明了我们的方法的有效性和效率。

    Sep, 2017

  • SNIDER：用于提高车牌识别的单张噪声图像去噪和矫正方法

    该论文提出了一种基于卷积神经网络的算法，可用于从低质量图像中识别车牌。作者设计了一个端到端的可训练网络Single Noisy Image DEnoising and Rectification (SNIDER)，将图像去噪和矫正作为一个任务进行，提出了多任务拟合和新的训练-loss的优化方法，并在两个数据集上进行了广泛的实验，结果表明该方法可以有效地从低质量车牌图像中恢复高质量车牌图像，且表现优于其他现有的方法。

    Oct, 2019

  • 重新思考和设计一种高性能自动车牌识别方法

    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

  • 具备压缩感知变换的车牌取证识别技术

    本文通过引入Transformer结构，并利用压缩水平的信息， 实现了对强烈压缩的无法辨认的车牌的识别。实验表明在真实和合成数据集上，该方法均显著超越现有的车牌识别方法和标准的图像识别模型，且参数量更少。当车牌图像最严重的情况下，我们的方法可以将识别率提高8.9％。

    Jul, 2022

  • 使用注意力模块和子像素卷积层进行车牌图像超分辨率

    本研究旨在应用深度学习技术，结合关注机制和Transformer，提高低分辨率监控图像的车牌识别精度，并通过基于光学字符识别的损失函数对图像特征进行抽取，证明我们的方法在定量和定性上都优于现有的方法。

    May, 2023

  • 基于扩散模型的车牌超分辨率

    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

  • 准确稳健的车牌字符识别的对抗样本生成和训练利用几何遮罩

    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

  • 利用超分辨率成像识别低分辨模糊车牌的比较研究：Real-ESRGAN、A-ESRGAN和StarSRGAN

    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

  • 逼真车牌去模糊数据集和模型

    教育部颁布的第xxxx号文件的要求：高校要强化学生思想政治教育，增强学生的理论素养，提高学生的科学素养等。

    Apr, 2024

  • 任务驱动的单图像文档扫描超分辨重建

    本文研究了超分辨率重建作为预处理步骤以提高文档扫描的光学字符识别的可能性，并通过以任务驱动方式训练深度网络使其更适合用于文本检测的目的，引入了多任务损失函数并取得了令人鼓舞的结果，为实现文档图像的实际超分辨率迈出了重要一步。

    Jul, 2024