Rethinking and Designing a High-performing Automatic License Plate Recognition Approach 论文链接：https://arxiv.org/abs/2011.14936 VSNet包括两个CNN，即用于车牌检测的VertexNet和用于车牌识别的SCR-Net，表现SOTA！速度高达149 FPS！性能优于MTLPR、RPne等网络，作者单位：南洋理工大学, 新加坡电信

在本文中，我们提出了一种实时，准确的自动车牌识别（ALPR）方法。我们的研究通过以下四个方面说明了ALPR的出色设计：（1）基于重采样的级联框架既有利于速度又具有准确性。（2）高效的车牌识别应具有丰富的附加字符分割和递归神经网络（RNN），而应采用普通卷积神经网络（CNN）； （3）对于CNN，利用车牌上的顶点信息可提高识别性能； （4）权重共享字符分类器解决了小规模数据集中缺乏训练图像的问题。基于这些insight，我们提出了一种新颖的ALPR方法，称为VSNet。具体地说，VSNet包括两个CNN，即用于车牌检测的VertexNet和用于车牌识别的SCR-Net，它们以基于重采样的级联方式集成。在VertexNet中，我们提出了一个有效的集成块来提取车牌的空间特征。利用顶点监督信息，我们在VertexNet中提出一个顶点估计分支，以便可以将车牌作为SCR-Net的输入图像进行校正。此外，基于顶点的数据扩充被用于使训练样本多样化。在SCR网络中，我们提出了一种用于左右特征提取的水平编码技术以及一种用于字符识别的权重共享分类器。实验结果表明，所提出的VSNet相对于最新方法的错误率提高了50％以上，在CCPD和AOLP数据集上均以149 FPS的推理速度实现了> 99％的识别精度。

内容中包含的图片若涉及版权问题，请及时与我们联系删除