LPLCv2：用于细粒度车牌可读性分类的扩展数据集
计算机视觉与模式识别
2026-04-13 v1
摘要
现代自动车牌识别 (ALPR) 系统在受控、明确定义的场景中取得了卓越的性能。然而，由于低质量成像设备、压缩伪影和次优摄像机安装，大规模实际应用仍面临挑战。通过专门基准实现了对不可读车牌 (LP) 的识别；然而，其影响受限于数据集较小以及标注错误。本文将原始基准扩展至三倍以上规模，新增两天捕获数据，修订其标注并引入新标签。车牌级别标注包括边界框、文本和可读性等级，而车辆级别标注则包含车型、车型、类型和颜色。图像级别标注包括摄像机身份、捕获条件（如雨天和故障摄像机）、获取时间和日期 ID。我们提出了一种新颖的训练程序，采用基于指数移动平均的损失函数和细化学习率调度器，解决常见的测试错误。这一改进使基线模型在测试集上实现 89.5% 的 F1 分数，显著超越了先前的状态。我们进一步引入一种新协议，显式解决训练和评估分割之间摄像机污染问题，结果显示影响较小。数据集和代码均公开于 https://github.com/lmlwojcik/LPLCv2-Dataset。
引用
@article{arxiv.2604.08741,
title = {LPLCv2: An Expanded Dataset for Fine-Grained License Plate Legibility Classification},
author = {Lucas Wojcik and Eduardo A. F. Machoski and Eduil Nascimento and Rayson Laroca and David Menotti},
journal= {arXiv preprint arXiv:2604.08741},
year = {2026}
}