On the Cross-dataset Generalization in License Plate Recognition

要約

自動ナンバー プレート認識 (ALPR) システムは、ディープ ラーニングの進歩とデータセットの可用性の向上により、複数の地域のナンバー プレート (LP) で驚くべきパフォーマンスを示しています。
ディープ ALPR システムの評価は通常、各データセット内で行われます。
したがって、そのような結果が一般化能力の信頼できる指標であるかどうかは疑問です。
このホワイト ペーパーでは、従来の分割と 1 つのデータセットを残す実験セットアップを提案し、12 の光学式文字認識 (OCR) モデルのクロス データセットの一般化を実証的に評価します。
いくつかの側面 (例えば、取得設定、画像解像度、および LP レイアウト) で。
また、エンド ツー エンドの ALPR の公開データセットも紹介します。これは、Mercosur LP を搭載した車両の画像を含む最初のデータセットであり、オートバイの画像の数が最も多いデータセットです。
実験結果は、ALPR コンテキストでアプローチを評価するための従来の分割プロトコルの限界に光を当てます。これは、1 つのデータセットを残す方法でモデルをトレーニングおよびテストするときに、ほとんどのデータセットのパフォーマンスが大幅に低下するためです。

要約(オリジナル)

Automatic License Plate Recognition (ALPR) systems have shown remarkable performance on license plates (LPs) from multiple regions due to advances in deep learning and the increasing availability of datasets. The evaluation of deep ALPR systems is usually done within each dataset; therefore, it is questionable if such results are a reliable indicator of generalization ability. In this paper, we propose a traditional-split versus leave-one-dataset-out experimental setup to empirically assess the cross-dataset generalization of 12 Optical Character Recognition (OCR) models applied to LP recognition on nine publicly available datasets with a great variety in several aspects (e.g., acquisition settings, image resolution, and LP layouts). We also introduce a public dataset for end-to-end ALPR that is the first to contain images of vehicles with Mercosur LPs and the one with the highest number of motorcycle images. The experimental results shed light on the limitations of the traditional-split protocol for evaluating approaches in the ALPR context, as there are significant drops in performance for most datasets when training and testing the models in a leave-one-dataset-out fashion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google