메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
박천덕 (한림대학교) 김백섭 (한림대학교)
저널정보
Korean Institute of Information Scientists and Engineers Journal of KIISE Journal of KIISE Vol.48 No.1
발행연도
2021.1
수록면
51 - 60 (10page)
DOI
10.5626/JOK.2021.48.1.51

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
최근 머신 러닝 기술이 빠르게 발전함에 따라 신경망 모델을 이용한 번호판 인식이 높은 성능을 보이고 있다. 머신 러닝의 성능에 영향을 좌우하는 중요한 두 가지 요소는 데이터와 모델이며 주어진 데이터의 특성에 가장 적합한 모델을 선택하고 최적화할 때 높은 성능을 얻을 수 있다. 번호판 인식용 데이터는 이미지와 다양한 레이블로 구성되는데 이중에서 글자 클래스 레이블은 필수 불가결이지만 글자의 위치와 크기를 알 수 있는 글자 경계 박스 레이블은 옵션으로 드물게 제공된다. 글자 경계 박스 레이블이 제공되는 경우에는 이미지에서 글자를 검출하여 인식하는 모델을 사용할 수 있다. 반면 글자 경계 박스 레이블 없이 클래스 레이블만 제공되는 경우에는 글자의 위치를 알 수 없기 때문에 다양한 모델 선택에 제약이 생기는데, 이런 경우 일반적으로 인코더-디코더 모델을 사용한다. 인코더-디코더 모델은 검출 기반 모델에 비해 성능이 낮다. 실제로 번호판 인식을 위해 데이터를 수집하는 경우 이미지와 글자 클래스 레이블로 구성된 데이터와 글자 경계 박스 레이블이 추가된 데이터가 섞여 있게 되는데 기존 방법은 클래스 레이블만 사용해서 전체 데이터를 사용해 인코더-디코더 모델을 학습시키거나, 일부 글자 경계 박스 레이블이 있는 데이터만 사용해서 분리-인식 모델을 학습시키는 두 가지 방법 중 하나를 선택해야만 한다. 본 논문에서는 글자 경계 박스 레이블이 있는 데이터와 없는 데이터가 섞여 있는 경우에도 모든 데이터를 사용할 수 있는 번호판 인식 모델을 제안한다. 제안된 모델은 경계 박스 레이블이 없어도 사용할 수 있도록 Resnet[1]과 Transformer[2]를 인코더-디코더 모델로 조합하였고 경계 박스 레이블이 있는 경우에는 그에 대한 손실함수를 추가하여 효과적인 학습을 할 수 있도록 하였다. 글자 클래스 레이블만 있는 대만의 AOLP[3] 데이터에 대해 실험 결과 기본 방법들보다 높은 99.55%의 인식 정확도를 보였다. 경계 박스 레이블이 추가되어 있는 한국의 KarPlate[4] 데이터에 대해서는 98.82%의 인식률을 보여 기존의 검출 기반 방법보다 성능이 약간 높아졌다. 여기에 글자 클래스 레이블만 있고 경계 박스 레이블은 없는 데이터를 추가하는 경우 99.25%로 인식률이 향상되었다.
#자동차 번호판 인식 #시퀀스 모델 #인코더-디코더 모델 #어텐션 #약교사 학습 #두 줄 번호판 인식 #LPR(license plate recognition) #sequence-to-sequence #encoder-decoder model #attention #weakly supervised #multi-row text

목차

요약
Abstract
1. 서론
2. 관련 연구
3. 제안 모델
4. 실험
5. 결론
References

참고문헌 (22)

참고문헌 신청
He, Kaiming, et al., "Deep residual learning for image recognition," Proc. of the IEEE conference on computer vision and pattern recognition, 2016. google schola Vaswani, Ashish, et al., "Attention is all you need," Advances in neural information processing systems, 2017. google schola Hsu, Gee-Sern, Jiun-Chang Chen, and Yu-Zu Chung, "Application-oriented license plate recognition," IEEE transactions on vehicular technology 62.2: 552-561, 2012. google schola Henry, Chris, Sung Yoon Ahn, and Sang-Woong Lee, "Multinational License Plate Recognition Using Generalized Character Sequence Detection," IEEE Access 8: 35185-35199, 2020. google schola Laroca, Rayson, et al., "An efficient and layoutindependent automatic license plate recognition system based on the YOLO detector," arXiv preprint arXiv:1909.01754, 2019.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

정보과학회논문지 5월호
편집부 정보과학회지 2021 .06
정보과학회논문지 4월호
편집부 정보과학회지 2021 .05
Reducing the Learning Time of Code Change Recommendation System Using Recurrent Neural Network
배병일 ,  강성원 ,  이선아 Journal of KIISE 2020 .10
A Study on the Method for Automatically Constructing a Domain Specific Sentiment Lexicon Based Lexical Relation and Contextual Information
박상민 ,  온병원 Journal of KIISE 2020 .10
딥러닝 알고리즘 기반의 차량번호 인식 프로그램 개발
이근상 ,  김영주 ,  고대경 한국지적정보학회지 2020 .08

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-569-001489774