Whatever floats your boat

정확도 향상 Github에서 제공하는 코드는 모두가 거의 만족할 만한 기본 옵션과 함께 제공됩니다. 사용 사례에 맞게 정확도를 높이고 싶을 수 있습니다. Detector 이 섹션에서는 detection 계층의 정확도를 높이는 방법에 대해 설명합니다. 멀리 떨어져 있거나 매우 작은 번호판 이 섹션에서는 매우 작거나 멀리 떨어진 플레이트에서 정확도를 향상시키는 방법을 설명합니다. 관심 영역(Region of Interest) 이전 섹션에서 설명한 대로 감지기는 300x300 이미지를 입력으로 예상합니다. 입력 크기에 관계없이 감지기는 항상 300x300으로 축소하고 RGB_888로 변환합니다. 번호판이 멀리 있거나 매우 작고 이미지가 너무 큰 경우 300x300으로 축소하면 이러한 번호판이 거의 사라집니다...

이 응용 프로그램은 개발자가 C ++ API 사용 방법을 보여주는 sample 코드로 사용되며 정확도를 쉽게 확인할 수 있습니다. 이 프로그램은 JPEG / PNG / BMP 파일의 경로를 입력으로 받아들입니다. 이는 API를 사용하는 데 추천할 만한 방법이 아닙니다. 카메라에서 직접 데이터를 읽는 것을 추천합니다. 그리고 파일에 저장하거나 RGB로 변환하지 않고 압축되지 않은 YUV 데이터를 SDK에 공급하는 것이 좋습니다. 이 샘플을 빌드하고 싶지 않고 정확성을 확인하는 빠른 방법을 찾고 있다면 https://www.doubango.org/webapps/alpr/에서 클라우드 기반 솔루션을 사용해보십시오. 이 샘플은 오픈 소스이며 등록 또는 라이선스 키가 필요하지 않습니다. 종속성 SDK는 C ++ ..

이전 섹션에서 설명했듯이 detector는 [300, 300, 3] 입력 레이어가 있는 Convolutional Neural Network를 사용합니다. 즉, detection 파이프라인에 표시되는 모든 이미지는 해상도에 관계없이 300x300으로 크기가 조정되고 RGB_888 형식으로 변환됩니다. 저해상도를 사용하면 추론 기능의 속도가 빨라지고 비율 기반 스케일링(ratio-based scaling) 대신 고정 모양(fixed shape)을 사용하면 일반화가 향상되고 훈련 프로세스의 속도가 빨라집니다. 이는(저해상도를 사용했을 때를 가르킴) 이미지가 매우 크고 번호판이 매우 작거나 멀리 있을 때 명백한 이슈(문제점)입니다. 이미지가 2+ 요소로 축소되면 큰 이미지의 작거나 멀리 떨어진 번호판은 사라지는..