面向未来无缝授权车牌识别的变松语法建模于 Transformer 中

有效的授权车牌识别系统需要具备抵御持续变化的鲁棒性，因为新的授权车牌每天都会释放到交通中。虽然 Transformer 网络在表面上表现出色，但我们观察到随时间推移其性能显著下降，证明其不适用于紧张的生产环境。事实上，这些系统是在训练过程中见到带语法的车牌上取得了最先进的结果的。然而，我们展示它们在语法偏移导致可读字符被错误识别的未来车牌上表现类似于随机猜测。后跟我们突出了 Transformer 编码器-解码器中位置信息和上下文信息流动的方式，我们识别了其对过去语法过度依赖的几个原因。随后，我们构思了架构 cut-off 和替换，并集成到 SaLT（一种尝试实现无语法 Transformer 用于无语法授权车牌表示建模的模型）中。在真实和合成数据集上的实验表明，我们的方法在过去语法上取得顶级准确率，并在最重要的是几乎维持对未来授权车牌的性能。我们进一步通过各种消融实验展示了我们架构增强的鲁棒性。