arXiv:1912.02441

Deep Learning Based Segmentation Free License Plate Recognition Using Roadway Surveillance Camera Images

Alperen Elihos, Burak Balci, Bensu Alkan, Yusuf Artan

제출 2019-12-05

원문 초록

Smart automated traffic enforcement solutions have been gaining popularity in recent years. These solutions are ubiquitously used for seat-belt violation detection, red-light violation detection and speed violation detection purposes. Highly accurate license plate recognition is an indispensable part of these systems. However, general license plate recognition systems require high resolution images for high performance. In this study, we propose a novel license plate recognition method for general roadway surveillance cameras. Proposed segmentation free license plate recognition algorithm utilizes deep learning based object detection techniques in the character detection and recognition process. Proposed method has been tested on 2000 images captured on a roadway.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.11830v1cs.CV공통 태그 object-detection, Object Detection, License Plate Recognition

MicroCharNet: 번호판 문자 검출을 위한 경량화 접근법

MicroCharNet: Less is More for License Plate Character Detection

번호판 문자 검출은 지능형 교통 시스템의 핵심 구성 요소로, 실시간 배포를 위해 높은 정확도와 연산 효율성이 요구된다. 최근 심층 학습(deep learning) 기반 방법들이 검출 성능을 크게 향상시켰으나, 높은 정확도를 달성하는 모델(model) 대부분은 대규모 아키텍처에 의존하여 상당한 연산 오버헤드를 수반하며, 이로 인해 자원이 제한된 디바이스에서의 적용이 어렵다. 본 논문에서는 번호판 문자 검출에 특화된 초경량 모델인 MicroCharNet을 제안한다. 제안된 아키텍처는 C2f 블록으로 구성된 소형 백본을 채택하고, CoordAtt 모듈을 통합하여 공간 정보를 보존하면서 특징(feature) 추출 성능을 향상시킨다. 경량화된 C3k2 기반 넥(neck)이 다중 레벨 특징을 융합하며, 이후 단일 레벨 앵커 프리 검출 헤드를 통해 엔드투엔드 예측이 가능하다. UFPR-ALPR 데이터셋(dataset)에서 수행된 실험 결과, MicroCharNet은 0.08M 파라미터와 0.096 GFLOPs만으로 경쟁력 있는 검출 정확도를 달성하며, 최근의 여러 YOLO 기반 베이스라인을 능가하는 성능을 보인다. 하드웨어 수준의 평가(evaluation)를 통해 에지 디바이스에서의 실시간 배포 효율성도 확인되었다. 이러한 결과는 신중하게 설계된 초경량 아키텍처가 번호판 문자 검출에서 정확도와 효율성의 균형을 효과적으로 달성할 수 있음을 보여준다. 소스 코드는 https://github.com/chequanghuy/MicroCharNet에서 확인할 수 있다.

arXiv:2607.10575v2cs.CV공통 태그 object-detection, Object Detection

도메인이 중요한 이유: 수중 객체 검출 및 어노테이션 품질의 도메인 인식 벤치마킹

Why Domain Matters: Domain-Aware Benchmarking of Underwater Object Detection and Annotation Quality

수중 물체 탐지는 도메인 변화의 영향을 크게 받으며, 성능은 위치, 서식지, 배치 조건에 따라 크게 달라질 수 있다. 그러나 탐지기 성능은 일반적으로 특정 환경에서의 실패를 가리는 종합 지표로 평가되며, 기존 도메인 일반화 벤치마크는 실제 조건을 반영하지 못하는 합성 변형에 의존하는 경우가 많다. 이러한 한계를 해결하기 위해 우리는 외관, 장면 구성, 획득 기하를 기준으로 수중 이미지를 특성화하여 도메인 레이블을 부여하는 프레임워크를 도입한다. 이 프레임워크를 사용하여, 도메인 요인이 수중 물체 탐지 데이터셋에서의 사람의 주석 품질과 딥러닝 기반 탐지기 성능에 어떻게 영향을 미치는지에 대한 최초의 체계적 연구를 수행했으며, 도메인에 따른 상당한 불일치를 밝혀냈다. 물리적으로 의미 있는 도메인 레이블을 도입함으로써, 도메인 변화는 우리가 특성화하고, 측정하고, 벤치마크하고, 대응할 수 있는 대상이 된다. 우리는 이 프레임워크가 데이터 수집과 주석 작업을 안내하고, 더 유익한 벤치마크를 설계하며, 다양한 수중 환경에서 탐지기의 견고성을 평가하는 데 어떻게 활용될 수 있는지 강조한다.

arXiv:2607.09835v2cs.CV공통 태그 object-detection, Object Detection

YOLO26은 엣지 배포에서 이전 모델들보다 진정한 이점을 제공하는가? 수산양식 분야의 벤치마크 연구

Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture

최근 소개된 YOLO26 아키텍처는 NMS-free 엔드-투-엔드 추론을 통합하며 자원이 제한된 CPU 기반 디바이스에서의 엣지 배포에 최적화되어 있어, 엣지 기반 수산양식 애플리케이션에 적합하다. 그러나 수산양식 특화 시나리오에서의 성능, 운영 효율성 및 배포 적합성은 체계적으로 검증되지 않았다. 본 연구는 어류 개체군 건강 및 복지의 핵심 지표인 어류 폐사 검출(fish mortality detection)을 위해 nano, small, medium 모델 규모에 걸쳐 YOLO26과 세 가지 Ultralytics 전작(YOLOv5u, YOLOv8, YOLO11)을 종합적으로 벤치마크한다. 12개 모델 변형을 대상으로 검출 정확도, 7가지 데이터셋 크기에 걸친 학습 효율성, 고성능 NVIDIA A100 GPU 및 CPU 전용 Raspberry Pi 5 엣지 플랫폼에서의 추론 성능을 평가하였다. 모든 모델은 전체 데이터셋에서 유사한 성능을 달성하였으며 mAP50 차이는 1.04 퍼센트포인트에 불과하여, 충분한 학습 데이터가 있을 경우 아키텍처 세대가 최종 검출 정확도에 미치는 영향이 미미함을 보여준다. 그러나 데이터 효율성과 배포 성능에서 명확한 트레이드오프가 나타났다. YOLOv8은 400장의 학습 이미지만으로 mAP50 90%를 달성한 반면, YOLO26 nano 및 small 변형은 유사한 정확도에 도달하기 위해 1,000장이 필요하였다. 반면 YOLO26n은 Raspberry Pi 5에서 가장 높은 추론 속도(7.51 FPS)를 달성하였으며, YOLOv5mu는 CPU 기반 하드웨어에서 동시대 모든 medium 규모 아키텍처를 능가하였다. 이러한 결과는 아키텍처의 신규성만으로는 모델 선택에 충분하지 않으며, 수산양식의 실용적인 엣지 AI 배포를 위한 객체 검출 모델 선택 시 학습 데이터 가용성, 타겟 하드웨어, 추론 요구사항을 함께 고려해야 함을 보여준다.

arXiv:2607.21243v1cs.CV공통 태그 object-detection, Object Detection

탐지기는 잘못된 것을 학습한다: 물리적으로 실현 가능한 공격에 대항하는 단축 경로 저항적 적대적 학습

Detectors Learn the Wrong Thing: Shortcut-Resistant Adversarial Training Against Physically Realizable Attacks

AI 기반 시각 지각 시스템이 지능형 교통 인프라 및 자율주행 차량 관련 응용에 점점 더 배치되고 있다. 그러나 물리적으로 실현 가능한 적대적 외형은 이러한 안전성(safety)에 중요한 시스템에 상당한 신뢰성 과제를 제기한다. 적대적 학습(adversarial training)은 효과적이지만, 적대적 텍스처와 양성 person 인스턴스 간의 반복적 공발생은 탐지기가 텍스처 자체를 객체 존재의 증거로 취급하게 만들어 패치 텍스처 단축 경로(shortcut)를 형성할 수 있다. 탐지기는 그러면 텍스처를 대상에 대한 증거로 취급하여, 텍스처만 있는 입력에서 오탐을 유발하고 교차 공격 일반화를 약화시킬 수 있다. 우리는 탐지기가 적대적 텍스처를 독립적인 판단 단서로 사용하는 것을 방지하는 인스턴스 수준 대조(contrastive) 적대적 학습 프레임워크인 InsCAT를 제안한다. SICA는 적대적 person 특징(feature)을 대응하는 clean 특징과 정렬하고 텍스처만 있는 음성(negative) 샘플과 분리하며, ROPO와 Guard는 온라인 공격 압력을 유지하고 학습을 조율한다. 렌더링된 nuScenes, INRIAPerson, 인쇄 의류, 세 가지 탐지기 계열에서 독립적으로 생성된 8개의 공격 텍스처를 평가한다. InsCAT은 렌더링된 nuScenes에서 평균 공격 AP 82.3%를 달성하여, 가장 강한 기준선보다 11.1포인트 높다. AT-Mix 대비 텍스처 FPR은 46.9%에서 7.3%로 감소한다. 물리적 테스트는 F1 점수 96.6%와 FPR 1.8%를 산출한다. 별도로 학습된 탐지기에서의 일관된 성능 향상은 직접 추론으로 아키텍처 전반에 걸친 적용 가능성을 보여준다. 결과는 견고한(robust) 물리적 탐지가 대상 관련 증거를 보존하면서 적대적 텍스처가 독립적인 판단 단서가 되는 것을 방지하는 데 달려 있음을 보여준다.

arXiv:2607.09768v1cs.CV공통 태그 Object Detection, License Plate Recognition

RISC-V 멀티코어 MCU 기반 비전 시스템에서의 저전력 번호판 감지 및 인식

Low-Power License Plate Detection and Recognition on a RISC-V Multi-Core MCU-Based Vision System

본 논문에서는 자동 번호판 인식(ALPR)을 위한 저전력 MCU 기반 엣지 디바이스의 첫 번째 구현 사례(저자들이 아는 한)를 제시한다. 이 설계는 9코어 RISC-V 프로세서인 GAP8과 QVGA 초저전력 흑백 이미저를 결합하여 활용한다. 제안된 시각 처리 파이프라인은 번호판 감지를 위한 SSDlite-MobilenetV2와 광학 문자 인식을 위한 LPRNet을 기반으로 한 멀티 모델 추론 방식을 사용하며, 공개 데이터셋에서 첫 번째 과제에 대해 38.9% mAP 점수를, 후자에 대해 99.13% 이상의 인식률을 달성한다. 실제 환경 데이터에서 이 파이프라인은 번호판 크롭 크기가 30x5 픽셀만큼 작은 경우에도 등록 번호를 인식한다. 적용된 압축 및 최적화 전략 덕분에, 멀티 모델 추론(687 MMAC)은 GAP8에서 실행 시 117 mW의 전력 소비로 1.09 FPS의 처리량을 달성한다. 본 솔루션은 이러한 수준의 네트워크 복잡도를 임베딩한 최초의 MCU급 디바이스로, Raspberry Pi3를 탑재한 기존 모바일급 ALPR 시스템 대비 73배 더 에너지 효율적이다. 제안된 설계는 어떠한 하드와이어드 가속 엔진도 사용하지 않으므로, 향후 알고리즘 개선을 위한 완전한 유연성을 유지한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.