对抗生成训练样本：在运动车辆车牌识别中的应用
计算机视觉与模式识别
2017-11-15 v3
摘要
生成对抗网络（GAN）近年来引起了广泛的研究关注，在自然图像生成方面取得了令人瞩目的成果。然而，迄今为止，使用GAN生成的图像来改进分类任务的成功案例很少。本文尝试在汽车车牌识别的背景下，探索是否可能使用GAN生成合成训练数据来提高识别准确率。通过精心设计的流程，我们证明答案是肯定的。首先，使用GAN的生成器生成大规模图像集，无需人工标注。然后，将这些图像输入深度卷积神经网络（DCNN），随后接入带有长短期记忆（LSTM）的双向循环神经网络（BRNN），执行特征学习和序列标注。最后，在真实图像上对预训练模型进行微调。我们在几个数据集上的实验结果表明了使用GAN图像的有效性：在可获得中等规模真实数据的情况下，相比强基线提高了7.5%。我们展示了所提出的框架在具有挑战性的测试数据集上达到了有竞争力的识别准确率。我们还利用深度可分离卷积构建了一个轻量级的卷积RNN，其大小约为一半，在CPU上速度快2倍。结合该框架和所提出的流程，我们在移动和嵌入式设备上实现了精确识别。
引用
@article{arxiv.1707.03124,
title = {Adversarial Generation of Training Examples: Applications to Moving Vehicle License Plate Recognition},
author = {Xinlong Wang and Zhipeng Man and Mingyu You and Chunhua Shen},
journal= {arXiv preprint arXiv:1707.03124},
year = {2017}
}