网站站点地图,如何查看网站页面大小,普陀区网站开发,网站开发配置摘要
车辆牌照检测在智能交通系统中发挥着关键作用。检测汽车、卡车和面包车等的牌照对于执法、监控和收费站操作非常有用。如何快速准确地检测牌照对牌照识别至关重要。然而#xff0c;在现实世界复杂捕捉场景中#xff0c;光照条件不均匀或牌照拍摄角度的倾斜会发生剧烈变… 摘要
车辆牌照检测在智能交通系统中发挥着关键作用。检测汽车、卡车和面包车等的牌照对于执法、监控和收费站操作非常有用。如何快速准确地检测牌照对牌照识别至关重要。然而在现实世界复杂捕捉场景中光照条件不均匀或牌照拍摄角度的倾斜会发生剧烈变化从而增加了检测难度。同时对距离、光照、角度等要求相当高这严重影响了检测性能。因此提出了一种改进的 YOLOv7集成了无参数注意力模块 SimAM 用于牌照检测称为 YOLO-SLD。在不修改原始 ELAN 架构的情况下该架构是 YOLOv7 的关键组件在 ELAN 的末尾添加了 SimAM 机制以更好地提取牌照特征并提高计算效率。更重要的是SimAM 模块不需要向原始 YOLOv7 网络添加任何参数从而减少了模型计算并简化了计算过程。首次在 CCPD 数据集上测试了具有不同注意力机制的检测模型的性能证明了所提出的方法是有效的。实验结果显示YOLO-SLD 模型具有更高的检测准确性并且更轻量化mAP 在 0.5 时的准确率从原始 YOLOv7 模型的 98.44% 提高到 98.91%准确率提高了 0.47%。在暗光和亮光图像的 CCPD 测试子集中的准确率从 93.5% 提高到 96.7%准确率提高了 3.2%。与原始 YOLOv7 模型相比模型的参数规模减少了 120 万个参数。其性能优于其他流行的牌照检测算法。
引言
全球的交通网络迅速扩展车牌检测技术也取得了显著进展成为交通系统中的重要组成部分。它具有广泛的潜在应用广泛用于车辆出入管理、智能停车、高速公路收费管理、被盗车辆检测、停车场管理、电子收费系统和交通流量监测等领域。在此背景下智能交通系统ITS和自动车牌识别ALPR的研究应运而生。近年来利用深度卷积神经网络CNN进行物体检测方面取得了显著进展。经典的 ALPR 系统通常由三个主要模块组成以确保有效的识别性能车牌检测LPD、字符分割CS和光学字符识别OCR。在 LP D 的早期阶段主要挑战包括不同车牌布局和语言的遮挡、不同的尺寸和长宽比以及在多种光照和天气条件下的噪声或不清晰输入图像如图 1 所示。该阶段的理想结果是一组精确检测到的车牌。此阶段对系统的最终性能至关重要非车牌物体的误分类可能导致后续阶段的错误。
相关研究
随着卷积神经网络CNN的快速发展和广泛应用目前用于物体检测的网络可以分为两类单阶段检测器和双阶段检测器。单次检测器Single Shot Detector, SSD和“你只看一次”You Only Look Once, YOLO是典型的单阶段检测器而基于区域的卷积神经网络Region-based Convolutional Neural Network, R-CNN、快速 R-CNNFast R-CNN、更快 R-CNNFaster R-CNN和掩膜 R-CNNMask R-CNN则属于双阶段检测器。然而在复杂环境中提高车牌检测LPD的准确性和实时能力仍然是一个亟待解决的关键挑战。
YOLO 物体检测算法及其高级版本因其高准确性、快速处理能力和实时物体检测能力而受到欢迎。Zou 等人利用 YOLOv3 和 YOLOv4 作为车牌检测框架在中国城市停车数据集CCPD上分别取得了 96.0% 和 95.1% 的准确率。最新的 YOLO 架构 YOLOv7 由 Wang 等人提出作为单阶段检测器具有高准确性和快速处理速度的优势。
本文研究
本文介绍了 YOLO-SLD 算法这是 YOLOv7 的一个高级迭代结合了注意力机制以提高车牌检测的效率和精度。本文做出了三个显著贡献。首先本文首次在 CCPD 数据集上使用 YOLOv7 模型网络进行车牌检测并对多种注意力机制进行了实验包括卷积块注意力模块Convolutional Block Attention Module, CBAM、坐标注意力Coordinate Attention, CA、洗牌注意力Shuffle Attention, SA和挤压与激励Squeeze-and-Excitation, SE。其次本文在 YOLOv7 的主干网络和头部结合了简单无参数注意力模块A Simple, Parameter-Free Attention Module, SimAM注意力机制通过替换和添加卷积层来增强特征提取能力。为评估所提算法的性能提升本文在 CCPD 数据集上进行了广泛的实验。第三与现有的物体检测网络相比YOLO-SLD 在 CCPD 数据集上的 mAP 在 0.5 时达到了 98.91%比 YOLOv7 高出 0.47%。本文证明了所提出的 YOLO-SLD 的优越性不仅展现出更高的检测效率而且在模型参数方面更为轻量化。
第二部分为相关工作详细描述了车牌检测领域的研究进展第三部分介绍了实验平台和车牌识别数据集第四部分呈现了实验结果最后一部分即第五部分讨论了最终结论。
近年来卷积神经网络CNN在物体检测领域处于前沿。随着大量训练数据的出现深度学习在效率和灵活性方面相较于传统的手动标注特征提取方法表现出色。基于 CNN 的各种框架如 SSD、YOLO、R-CNN 和全卷积网络Fully Convolutional Networks, FCN已被提出用于与车牌检测相关的众多研究。在文献 [11] 中提出了一种稳健的车牌识别模型使用 YOLOv3 进行车牌检测。在该模型中车牌的上下文位置信息与双向长短期记忆网络Bi-LSTM结合以定位每个车牌字符。
在文献 [20] 中提出了一种基于 YOLO 框架的车牌检测与识别系统。该系统采用两阶段深度架构进行车牌检测和后续识别。当第二个 YOLO 深度网络被激活时系统识别裁剪后的车牌中的字符和数字。在这种集成方法中每个字符或数字被视为一个独特的对象。
在文献 [21] 中提出了一种改进的 YOLOv5 算法从三个方面进行了改进通过使用 K-means 算法提高锚框与检测目标之间的匹配度利用 DIOU 损失函数改进非极大值抑制NMS方法并去除 20 × 20 的特征图以减少检测层的数量。
在文献 [22] 中作者在 YOLOv5 的下采样过程中添加了改进的通道注意力机制即挤压与激励Squeeze-and-Excitation并在其中添加位置信息以最小化采样信息损失从而提高模型的特征提取能力。表 1 为相关工作的研究比较分析。
自 2016 年以来作为最先进的单阶段物体检测算法YOLO 已经历多次迭代最终发展为 YOLOv7。图 2 显示了原始 YOLOv7 模型的整个网络架构。通过实施诸如扩展高效层聚合网络Extended Efficient Layer Aggregation Network, E-ELAN[23]即网络结构中的 ELAN-H以及基于连接模型的模型缩放和卷积重参数化YOLOv7 算法在检测速度和准确性之间实现了良好的平衡。YOLOv7 的基本框架分为三部分主干网络Backbone、颈部Neck和头部Head。 研究背景 车辆牌照检测在智能交通系统中起着重要作用广泛应用于执法、监控和收费等领域。现有检测方法在复杂环境中如光照不均、角度倾斜表现不佳影响检测性能。 YOLO-SLD模型 提出了YOLO-SLD模型这是一个改进的YOLOv7版本集成了无参数的SimAM注意力机制以提高牌照检测的精度和效率。SimAM模块被添加到YOLOv7的ELAN架构末尾旨在更好地提取牌照特征并提高计算效率。 实验结果 YOLO-SLD模型在CCPD数据集上的mAP平均准确率达到98.91%比YOLOv7提高了0.47%。在特定的Db子集上准确率从93.5%提高到96.7%提升幅度为3.2%。YOLO-SLD模型的参数量为70.1百万低于YOLOv7的71.3百万显示出其轻量化的优势。 未来工作方向 未来的研究将继续优化模型网络结构可能会关注牌照上的文本识别或整合其他文本识别网络以增强自动牌照识别ALPR在不同场景中的能力。 贡献与创新 本文首次在CCPD数据集上测试了不同的注意力机制并通过SimAM机制增强了YOLOv7的特征提取能力。实验表明YOLO-SLD不仅在检测效率上表现优越同时在模型参数上也实现了优化适合在各种环境中部署。
部分内容来自免费GPT解读https://www.helicard.com/gpt4/https://www.helicard.com/gpt4/
部分内容来自如下链接
https://ieeexplore.ieee.org/stamp/stamp.jsp?tparnumber10571945https://ieeexplore.ieee.org/stamp/stamp.jsp?tparnumber10571945 网络的头部使用空间金字塔池化跨阶段部分连接Spatial Pyramid Pooling Cross Stage Partial Concat, SPPCSPC[23] 和 ELAN 模块来聚合图像特征。然后RepConv [24] 调整输出通道。
SPPCSPCSpatial Pyramid Pooling Cross Stage Partial Concat是一种用于深度学习模型特别是在目标检测和图像分割任务中的网络结构设计。它结合了空间金字塔池化Spatial Pyramid Pooling, SPP和交叉阶段部分连接Cross Stage Partial Concat的概念旨在提高特征提取的效率和准确性。
SPPCSPC的基本原理 空间金字塔池化SPP SPP是一种池化策略通过在不同尺度上对特征图进行池化提取多尺度的特征信息。这种方法能够有效地捕捉到不同大小和比例的对象增强模型对尺度变化的鲁棒性。SPP通常通过在特征图上应用多个池化层如最大池化或平均池化来实现每个池化层使用不同的窗口大小从而形成一个金字塔结构。 交叉阶段部分连接CSP CSP是一种网络结构设计方法旨在通过在不同阶段之间共享特征来提高模型的表达能力和效率。通过部分连接模型能够更好地利用低层和高层特征提高特征的多样性和丰富性。这种设计减少了模型的计算量同时保持了较高的准确性。 结合与优势 SPPCSPC将SPP和CSP结合在一起使得网络在特征提取时能够同时考虑不同尺度的特征和跨阶段的特征共享。这种结构能够提高模型的特征表示能力增强对复杂场景和多样化对象的检测能力。
应用场景
SPPCSPC广泛应用于现代目标检测模型中如YOLO系列You Only Look Once特别是在YOLOv7等先进模型中。通过有效地提取和融合特征SPPCSPC能够提高模型的检测精度和速度适用于实时目标检测和图像分析任务。
总结
SPPCSPC是一种高效的特征提取结构结合了空间金字塔池化和交叉阶段部分连接的优势旨在提高深度学习模型在目标检测等任务中的性能。通过多尺度特征提取和特征共享SPPCSPC能够有效提升模型的准确性和计算效率。
RepConvReparameterized Convolution是一种用于优化卷积神经网络CNN性能的技术旨在提高模型的计算效率和推理速度。它通过将传统卷积操作重新参数化使得模型在推理时能够更快地运行同时保持或提高准确性。
RepConv的基本原理 卷积层的重参数化 在训练阶段RepConv允许使用较大的卷积核和较高的复杂度以便模型能够学习到更丰富的特征。在推理阶段RepConv将这些复杂的卷积操作转换为更简单的操作从而减少计算量。 提高推理速度 通过将多个卷积操作合并为单个操作RepConv减少了推理时的计算量和内存占用。这使得模型在实际应用中能够更快地处理输入数据。 兼容性 RepConv可以与现有的卷积层结构相结合而无需对模型架构进行重大修改。这使得它可以方便地集成到各种深度学习模型中。
应用场景
RepConv技术广泛应用于需要实时处理的计算机视觉任务如目标检测、图像分类等。通过优化推理速度RepConv使得这些任务能够在资源受限的设备上高效运行。
总结
RepConv是一种通过重参数化卷积操作来提高卷积神经网络推理效率的技术能够在保持模型性能的同时显著加快推理速度适用于多种深度学习应用场景。 SimAM注意力机制
SimAM 注意力机制具有 3D 权重添加在 ELAN 和 E-ELAN 的特征提取能力和计算效率之后以更好地精炼提取的车牌特征并能够自适应地强调车牌的目标特征同时抑制在复杂光照条件下的无关背景特征而不会增加模型的复杂性。与原始主干网络相比本文提出的改进是在主干网络的 ELAN 模块和 ELAN-H 模块中添加 SimAM并引入 SimAM 注意力机制形成新的 SimAM-ELAN 和 SimAM-ELAN-H 模块如图 5 所示。 如下图4 改进的 SimAM 被嵌入到 YOLOv7 模型中基于传统图像识别技术和深度学习目标检测技术的优势。此集成旨在改善其网络架构并提高车牌检测的识别准确性。所提方法的具体流程如下图 4 所示。 骨干网路 E-ELAN 结构来自YOLO论文 结构如下 具体可参考如下链接
YOLOV7_yolov7-tiny-CSDN博客文章浏览阅读4.7k次点赞3次收藏27次。本文介绍了YOLOv7一款在5FPS到160FPS范围内超越现有速度与精度的实时物体检测器。YOLOv7-E6以56FPS的GPU V100速度达到了55.9% AP的高精度比基于变压器和卷积的检测器分别快509%和551%且仅在MSCOCO数据集上从头开始训练。作者提出可训练的‘免费行李袋’优化模型训练过程解决模型重参数化与动态标签分配等问题。https://blog.csdn.net/TJMtaotao/article/details/125838537?spm1001.2014.3001.5501
颈部网络 如下内容解读来自免费GPT。
PANPath Aggregation Network是一种用于目标检测和图像分割的深度学习网络架构旨在提高多尺度特征的融合和利用能力。以下是对PAN的详细解读
1. 背景与目的
在目标检测任务中网络需要处理不同尺度的对象。传统的卷积神经网络CNN通常在深层网络中提取特征但在此过程中浅层网络的空间信息和深层网络的语义信息可能会丢失。PAN的设计目的是通过有效地聚合不同层次的特征来增强网络对多尺度目标的检测能力。
2. 结构与工作原理
PAN的主要结构可以分为以下几个部分 特征提取PAN通常与主干网络Backbone结合使用主干网络负责提取图像的初步特征。常见的主干网络包括ResNet、VGG等。 路径聚合PAN通过构建一个路径聚合模块将来自不同层的特征图进行融合。具体来说PAN会在特征图的上采样和下采样之间进行连接从而实现信息的交互和融合。这种连接方式可以帮助网络更好地利用浅层特征空间信息和深层特征语义信息。 上采样与下采样在PAN中上采样用于将低分辨率的特征图恢复到较高的空间分辨率以便与高分辨率的特征图进行融合。下采样则用于将高分辨率特征图降维以便于与低分辨率特征图结合。
3. 优势与应用 多尺度特征融合PAN能够有效地融合不同层次的特征提升模型对不同尺度目标的检测能力尤其是在复杂场景中。 提高检测精度通过聚合来自不同层的特征PAN可以增强网络的语义理解能力从而提高目标检测的精度。 应用广泛PAN被广泛应用于各种目标检测模型中例如在YOLO、Mask R-CNN等模型中作为增强特征融合的模块。
4. 与其他网络的比较 与FPNFeature Pyramid Network比较FPN也是一种多尺度特征融合的方法但PAN在特征的聚合和传播上更加灵活可以更好地处理特征信息的流动和共享。 与传统CNN比较传统的CNN在深层网络中可能会丢失空间信息而PAN通过路径聚合的方式有效地保留了这些信息增强了模型的表现。
5. 总结
PAN是一种重要的网络结构旨在通过有效的特征融合提高目标检测的性能。它通过结合来自不同层次的特征增强了模型对多尺度目标的识别能力广泛应用于现代深度学习目标检测任务中。
PAN结构图的描述 输入层 输入图像通过主干网络如ResNet进行特征提取。 主干网络Backbone 主干网络将输入图像转换为多个特征图通常有多个层次分别对应不同的尺度。例如可能会有一个高分辨率的特征图来自浅层和一个低分辨率的特征图来自深层。 特征图 假设主干网络输出了三个特征图P2高分辨率、P3中分辨率、P4低分辨率。 下采样路径 从高分辨率特征图P2开始逐步向下采样到中分辨率P3和低分辨率P4通过卷积和池化层来实现。 上采样路径 从低分辨率特征图P4开始逐步向上采样到中分辨率P3和高分辨率P2通常使用反卷积或插值方法。 特征融合 上采样的特征图与对应的下采样特征图进行逐像素相加或连接concatenate形成新的特征图。这一过程可以在每个尺度上进行确保信息的充分融合。 输出层 最终的特征图经过处理后用于后续的目标检测或分割任务。
结构图的示例元素
箭头表示特征图的流动方向指示从输入到输出的路径。框表示不同的特征图和处理步骤如卷积、上采样、下采样。连接表示不同尺度特征之间的融合。
如下PAN结构由讯飞星火基于如上文本描述生成 输入层接收原始图像。主干网络如ResNet对输入图像进行特征提取并输出三个不同分辨率的特征图P2高分辨率、P3中分辨率和P4低分辨率。下采样路径从P2开始通过卷积和池化层逐步向下采样到P3和P4。上采样路径从P4开始使用反卷积或插值方法逐步向上采样到P3和P2。特征融合阶段上采样的特征图与对应的下采样特征图进行逐像素相加或连接形成新的特征图。最终的特征图经过处理后用于后续的目标检测或分割任务。
头部网络 其中t 和 i 分别表示输入特征 X ∈ R^(H×W×C) 的目标神经元和空间维度的索引。H、W 和 C 分别表示牌照图像包含 H × W 个像素和 C 个光谱波段。M 表示通道上的神经元数量M H × Wβ 是一个参数值通常取为 1e − 4。α 表示计算的通道中所有神经元的平均值不包括目标神经元 t而 xi 表示输入特征 X 中同一通道内的其他神经元不包括目标神经元 t。 由于空间抑制神经元表现出显著的线性可分离性它们在 α 和 t 之间会出现明显的变化从而导致 et 的值较低。此外公式 (1) 表明神经元的能量越低神经元 t 与其周围神经元的区别就越明显。因此每个神经元的权重参数值可以计算为 (1/et)。随后特征矩阵根据注意力机制的定义进行增强公式计算如下 [18] 公式 (2) 表示增强的特征张量其中 E 汇聚了所有通道和空间维度上的 e∗t而 ⊙ 是点积操作。X¯ 表示输出特征图其大小与输入特征图 X 保持一致。为了限制 E 的过大值添加了一个 sigmoid 函数。 SimAM的背景 SimAM是在2021年由Liang等人提出的基于成熟的神经科学理论。它是一种全三维、加权且无参数的注意力机制旨在模拟人类视觉系统如何有效利用有限的视觉处理资源。 SimAM的特点 空间与通道关联与其他注意力机制不同SimAM考虑了空间因素和通道因素之间的相关性。这使得SimAM能够高效地生成用于特征映射的真实三维权重而无需额外的参数。性能提升通过这种方式SimAM能够提高网络在速度和准确性上的表现从而增强其特征表示能力。 信息丰富神经元 文中提到的“信息丰富神经元”是指那些与周围神经元相比表现出显著放电模式的神经元。这些神经元通常具有强烈的空间抑制效应这种效应对视觉处理任务的结果有更大的影响。通过评估目标神经元与其他神经元之间的线性可分离性可以识别这些信息丰富的神经元。 图像边缘特性 图像的边缘特性与空间抑制神经元的特性相匹配表现出与周围纹理特征的高对比度。这表明在视觉任务中这些特征是非常重要的。 能量函数的使用 通过使用能量函数SimAM能够为不同的视觉任务分配三维权重而无需增加额外的参数。这种方法使得特征提取更加高效。 SimAM对CNN的增强作用 文中提到SimAM注意力机制有效增强了CNN的特征提取能力。在这种情况下牌照特征图中的每个像素被视为能量函数中的一个神经元其最小能量可以被表示出来。
SimAM通过引入无参数的三维注意力机制模拟人类视觉系统的特性提升了深度学习模型在特征提取方面的表现。这种机制不仅考虑了空间和通道之间的关系还利用了神经元的放电模式优化了视觉信息的处理方式从而在速度和准确性上取得了显著的提升。
实验总结
在特征提取中主干网络发挥着至关重要的作用。原始的 YOLOv7 架构具有一个由 50 个模块组成的主干网络包括 CBS 模块、最大池化 (MP) 模块、ELAN 模块和 ELAN-H 模块。ELAN 和 ELAN-H 模块是 YOLOv7 的关键组件旨在增强网络的性能和效率。ELAN 模块聚合多个层的特征有效地合并来自不同层次的信息并利用跳跃连接和多层融合来减少深度网络中常见的梯度消失问题。在 ELAN 的基础上E-ELAN 进一步增强了特征聚合能力并采用更高效的层聚合策略以降低计算复杂度并使用扩展层聚合技术来提取更丰富的特征。
传统的 ELAN 模块作为一个高效的远程网络能够通过移位卷积有效地提取局部图像结构。它通过共享注意力机制实现了模型推理时间的减少。此外引入了 SimAM 模块用于处理原始图像。通过整合 SimAM 的空间和通道注意力机制可以有效解决这个问题同时基于成熟的神经科学理论。Liang 等人于 2021 年提出了 SimAM这是一种完全的 3D、加权且无参数的注意力机制。与其他现有的注意力机制相比SimAM 考虑了空间和通道因素之间的相关性并能够高效地生成逼真的 3D 权重以增强模型的收敛性能。SimAM 的注意力机制通过评估神经元的重要性来提高模型的注意力能力其中具有空间抑制效果的神经元被认为更有价值涉及在头部部分的 SPPCSPC 模块之后加入 SimAM 注意力模块。
本节探讨了使用 SimAM 对 YOLOv7 进行的改进因为近年来物体检测模型不断增强不仅引入了各种策略和技术还随着技术的进步增加了检测层的数量。第三节讨论了用 SimAM 注意力机制替换 YOLOv7 的检测层从而实现检测性能的提升和轻量化。
为了进一步确认检测准确性是否可以进一步提高本文提出了一个实验在不调整 ELAN 检测层的情况下向 YOLOv7 的 ELAN 结构中添加一个额外的 SimAM 检测层。训练和测试在不同的训练周期epochs下进行。
本文随机选择了 CCPD2019 数据集中的 100,000 张车牌图像进行训练。表 7 显示在将检测层替换并设置训练周期为 16 的情况下最高准确率达到了 98.84%。表 8 显示当添加检测层并将周期设置为 8 时准确率超过了替换检测层时的 mAP0.5 数据。在周期为 20 时mAP0.5 达到 98.91%。
然而在添加检测层的情况下参数数量从 66.4M 增加到 70.1M但仍低于原始 YOLOv7在第二节中提到其参数为 71.3M。表 9 显示了 IoU 和 FPS 的不同检测结果。当 IoU 为 0.5 和 0.75 时准确率结果几乎相同。然而提出的方法在 Db 数据集的 mAP 改进了 0.3%这表明该方法有效处理了图像的轻量性。此外还测试了 FPS 的检测速度。与原始 YOLOv7 算法相比改进后的算法由于额外层的引入而增加了复杂性GFLOPs 从 103.2 增加到 108.6FPS每秒帧数的检测速度略微下降从 117.87 降至 110.11但精度 mAP 提高了 0.47%尤其是 Db 数据集的 AP 提高了 3.2%。提出的方法的整体性能得到了改善检测速度 FPS 达到了车牌应用的实时要求。
实验结果表明本文提出的 YOLO-SLD 有效提高了车牌检测的准确性同时减少了参数数量。根据表 10 和与其他检测网络的比较YOLO-SLD 实现了最高的检测率Db 子集的准确性从表 5 中的 93.5% 显著提高至 96.7%。
本文通过引入 SimAM 改进了 YOLOv7 模型在提升车牌检测准确性的同时保持了较低的参数数量。实验结果显示YOLO-SLD 在检测率和准确性方面优于其他检测网络尤其在 Db 数据集上表现突出。
最后总结
针对先进的 YOLOv7 模型本文提出了 YOLO-SLD 网络模型主要旨在解决和改善车牌检测问题。该模型网络的改进方法主要基于模仿人类视觉注意机制。它利用了 SimAM 注意力机制该机制考虑了空间和通道信息并且可以动态使用。该机制优化了 YOLOv7 主干网络的特征提取和检测组件。这种优化包括替换和添加检测层以及首次测试不同注意力机制在 CCPD 数据集上的车牌检测应用。
本文提出的 YOLO-SLD 模型在 CCPD 数据集上表现出色相较于多篇研究论文中的其他检测网络该模型在 mAP0.5 值上达到了 98.91%比 VertexNet、RLLPDR 和 YOLOv7 模型网络分别高出 0.17%、0.5% 和 0.47%。在 Db 子集上mAP0.5 值从原始 YOLOv7 的 93.5% 显著提高至 96.7%标志着 3.2% 的改进。
在参数轻量化方面YOLO-SLD 模型的参数数量为 7010 万低于 YOLOv7 的 7130 万。因此可以推断出本研究提出的精炼模型在准确性上有显著提高并且便于部署使其非常适合在不同环境中进行车牌检测。未来的工作中本文将继续优化模型网络结构。例如本文可以专注于车牌内的文本识别或整合其他文本识别网络以充分利用车牌图像中的相关信息从而增强自动车牌识别ALPR在不同场景下的能力。
