SamLP: 一种用于车牌检测的定制化分割一切模型
计算机视觉与模式识别
2024-01-15 v1
摘要
随着基础模型的出现，这种深度学习的新范式在自然语言处理和计算机视觉领域催生了许多强大的成果。基础模型具有许多优势，例如出色的特征提取能力、强大的泛化能力、优秀的少样本和零样本学习能力等，这些都有利于视觉任务。作为车辆的唯一标识，不同国家和地区有不同的车牌样式和外观，甚至不同类型的车辆也有不同的车牌。然而，最近基于深度学习的车牌检测器主要是在特定数据集上训练的，这些有限的数据集限制了车牌检测器的有效性和鲁棒性。为了减轻有限数据的负面影响，本文尝试利用基础模型的优势。我们定制了一个视觉基础模型，即Segment Anything Model (SAM)，用于车牌检测任务，并提出了第一个基于视觉基础模型的车牌检测器，命名为SamLP。具体来说，我们设计了一种低秩适应（LoRA）微调策略，向SAM注入额外参数，并将SAM迁移到车牌检测任务。然后，我们进一步提出了一个可提示的微调步骤，为SamLP提供可提示的分割能力。实验表明，与其他车牌检测器相比，我们提出的SamLP取得了有前景的检测性能。同时，所提出的SamLP具有出色的少样本和零样本学习能力，显示了迁移视觉基础模型的潜力。代码可在https://github.com/Dinghaoxuan/SamLP获取。
引用
@article{arxiv.2401.06374,
title = {SamLP: A Customized Segment Anything Model for License Plate Detection},
author = {Haoxuan Ding and Junyu Gao and Yuan Yuan and Qi Wang},
journal= {arXiv preprint arXiv:2401.06374},
year = {2024}
}