-
公开(公告)号：CN110378331B
公开(公告)日：2022-10-04
申请号：CN201910496601.9
申请日：2019-06-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度学习的端到端车牌识别系统及其方法，主要涉及图像定位和图像识别模块，在原有基于卷积神经网络的检测模型上扩展多尺度检测的深度，提升车牌对于小物体的定位精度；另外，本文还利用双向门控循环单元与基于神经网络的时序类分类算法优化识别网络，完成对已定位车牌的无字符分割的识别任务，简化系统识别流程，提升了网络的收敛速度和识别准确率，同时对训练图片进行随机变化，以提高模型训练的有效性。相比于传统的车牌识别方法，本发明中提及的方法提高了复杂场景下的车牌识别速度和准确率，且鲁棒性较好。
-
公开(公告)号：CN109740627A
公开(公告)日：2019-05-10
申请号：CN201811422307.5
申请日：2018-11-27
Applicant: 南京邮电大学
Abstract: 一种基于并行卷积神经网络的昆虫图像识别系统及识别方法，首先大规模采集昆虫图像，再进行图像预处理，形成训练集和测试集。图像识别中，利用并行卷积神经网络，在大批量数据集的基础上完成模型的训练，输出相应特征后利用分类模块对图像进行分类。在用户检索部分，通过移动终端获取图像数据，进行预处理，用户根据系统提供的特征信息条目，添加相应描述信息，将图像和基本信息上传服务器后，利用训练好的模型对图像进行测试，进行相似性度量，从而向用户反馈识别结果，用户对结果进行相似性判断，后台收集用户反馈的识别有误的数据，并再次优化模型，提升昆虫图像识别准确率。
-
公开(公告)号：CN110378331A
公开(公告)日：2019-10-25
申请号：CN201910496601.9
申请日：2019-06-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于深度学习的端到端车牌识别系统及其方法，主要涉及图像定位和图像识别模块，在原有基于卷积神经网络的检测模型上扩展多尺度检测的深度，提升车牌对于小物体的定位精度；另外，本文还利用双向门控循环单元与基于神经网络的时序类分类算法优化识别网络，完成对已定位车牌的无字符分割的识别任务，简化系统识别流程，提升了网络的收敛速度和识别准确率，同时对训练图片进行随机变化，以提高模型训练的有效性。相比于传统的车牌识别方法，本发明中提及的方法提高了复杂场景下的车牌识别速度和准确率，且鲁棒性较好。
-
-
Search Results
3
records
(took 0.019 seconds)
