需要多少张标注车牌?
计算机视觉与模式识别
2018-08-28 v1
摘要
训练一个好的深度学习模型通常需要大量标注数据。由于大量标注数据通常难以收集且标注更为困难,数据增强与数据生成在深度神经网络训练过程中被广泛使用。然而,对于需要多少标注数据才能获得令人满意的性能,尚无清晰的共识。本文中,我们试图以车辆车牌字符识别为例应用来探讨这一问题。我们应用计算机图形脚本与生成对抗网络(Generative Adversarial Networks, GAN),从少量真实、人工标注的车牌图像生成并增强大量具有真实颜色、字体和字符构成的标注合成车牌图像。生成与增强的数据混合并用作修改自 DenseNet 的车牌识别网络的训练数据。实验结果表明,由生成的混合训练数据训练的模型具有良好的泛化能力,且所提方法即便在原始真实车牌数量极为有限的情况下,也在 Dataset-1 和 AOLP 上取得了新的最先进准确率。此外,当标注图像数量减少时,由数据生成带来的准确率提升变得更为显著。当标注图像数量增加时,数据增强也发挥着更为显著的作用。
引用
@article{arxiv.1808.08410,
title = {How many labeled license plates are needed?},
author = {Changhao Wu and Shugong Xu and Guocong Song and Shunqing Zhang},
journal= {arXiv preprint arXiv:1808.08410},
year = {2018}
}
备注
12 pages, 3 figures, Chinese Conference on Pattern Recognition and Computer Vision