车牌识别中数据集偏差的初步考察
计算机视觉与模式识别
2023-01-02 v2
摘要
公开数据集在推动车牌识别（LPR）技术发展水平方面发挥了关键作用。尽管数据集偏差已被计算机视觉界视为严重问题，但在 LPR 文献中很大程度上被忽视。LPR 模型通常分别在各个数据集上训练和评估。在此情形下，它们往往在训练所用数据集中表现稳健，但在未见过的数据集上性能有限。因此，本工作研究 LPR 背景下的数据集偏差问题。我们在八个数据集上进行了实验，其中四个采集于巴西，四个采集于中国大陆，观察到每个数据集都具有独特且可识别的“签名”，因为一个轻量级分类模型能以超过 95% 的准确率预测车牌（LP）图像的数据集来源。在讨论中，我们提请注意：大多数 LPR 模型可能正在利用此类签名以提升在各数据集上的结果，代价是丧失泛化能力。这些结果强调了在跨数据集设置下评估 LPR 模型的重要性，因为相较于数据集内评估，它们能更好地指示泛化能力（即真实世界性能）。
引用
@article{arxiv.2208.10657,
title = {A First Look at Dataset Bias in License Plate Recognition},
author = {Rayson Laroca and Marcelo Santos and Valter Estevam and Eduardo Luz and David Menotti},
journal= {arXiv preprint arXiv:2208.10657},
year = {2023}
}
备注
Accepted for presentation at the Conference on Graphics, Patterns and Images (SIBGRAPI) 2022