Сверточная нейронная сеть для распознавания символов номерного знака автомобиля

Автор: Петров Сергей Павлович

Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse

Статья в выпуске: 3, 2013 года.

Бесплатный доступ

В работе рассматривается подход к распознаванию изображений символов автомобильного номера на основе сверточных нейронных сетей (СНН, convolutional neural network). Использование сверточных нейронных сетей для распознавания изображений обусловлено двумя основными факторами: 1) снижение сложности нейронной сети и сложности ее обучения, в сравнении с классическим многослойным персептроном, что актуально в области обработки и анализа изображений; 2) повышение устойчивости распознавания к различным к искажениям символов в сравнении с классическими нейронными сетями и другими методами классификации изображений. В работе описывается процесс разработки сверточной нейронной сети для распознавания изображений символов автомобильного номера. В завершении проводится сравнения качества разработанного метода и метода на основе сопоставления шаблонов (template matching).

Еще

Нейронные сети, нейрон, алгоритм обратного распространения ошибки, выборка, классификатор

Короткий адрес: https://sciup.org/14122591

IDR: 14122591

Список литературы Сверточная нейронная сеть для распознавания символов номерного знака автомобиля

  • LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series, in Arbib, M. A. (Eds), The Handbook of Brain Theory and Neural Networks. - MIT Press, 1995.
  • LeCun Y., Bottou L., Bengio Y. and Haffner P. Gradient-Based Learning Applied to Document Recognition. - Proceedings of the IEEE, 1998. - Vol. 86. - № 11. - Pp. 2278-2324.
  • LeCun Y., Bottou L., Orr G. and Muller K. Efficient BackProp in Neural Networks: Tricks of the trade. - 1998.
  • Patrice Y. Simard, Steinkraus D., Platt J. C. Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis // Seventh International Conference on Document Analysis and Recognition (ICDAR), IEEE Computer Society. - Los Alamitos, 2003. - Pp. 958-962.
Статья научная