PlateSegFL：使用联邦分割学习的隐私保护车牌检测
计算机视觉与模式识别
2024-04-09 v1
摘要
自动车牌识别（ALPR）是智能交通系统的重要组成部分，在安全运输、车联网通信、被盗车辆检测、交通违章和交通流管理等方面有着广泛的应用。现有的车牌检测系统侧重于使用几何边界框运行的单样本学习器或预训练模型，这限制了模型的性能。此外，持续上传到中央服务器的视频数据流会导致网络和复杂性方面的问题。为了应对这一问题，我们引入了 PlateSegFL，它实现了基于 U-Net 的分割以及联邦学习（FL）。U-Net 非常适合多类图像分割任务，因为它可以分析大量类别并为每个类别生成像素级分割图。联邦学习用于减少所需的数据量，同时保护用户的隐私。不同的计算平台（如移动电话）能够协作开发标准预测模型，这使得它能够高效利用时间；融合更多样化的数据；实时提供预测；且无需用户付出体力，最终实现了约 95% 的 F1 分数。
引用
@article{arxiv.2404.05049,
title = {PlateSegFL: A Privacy-Preserving License Plate Detection Using Federated Segmentation Learning},
author = {Md. Shahriar Rahman Anuvab and Mishkat Sultana and Md. Atif Hossain and Shashwata Das and Suvarthi Chowdhury and Rafeed Rahman and Dibyo Fabian Dofadar and Shahriar Rahman Rana},
journal= {arXiv preprint arXiv:2404.05049},
year = {2024}
}