Perceptual License Plate Super-Resolution with CTC Loss

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F20%3A00525022" target="_blank" >RIV/67985556:_____/20:00525022 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216305:26230/20:PU147774

Výsledek na webu

<a href="http://dx.doi.org/10.2352/ISSN.2470-1173.2020.6.IRIACV-052" target="_blank" >http://dx.doi.org/10.2352/ISSN.2470-1173.2020.6.IRIACV-052</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.2352/ISSN.2470-1173.2020.6.IRIACV-052" target="_blank" >10.2352/ISSN.2470-1173.2020.6.IRIACV-052</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Perceptual License Plate Super-Resolution with CTC Loss

Popis výsledku v původním jazyce

We present a novel method for super-resolution (SR) of license plate images based on an end-to-end convolutional neural networks (CNN) combining generative adversial networksn(GANs) and optical character recognition (OCR). License plate SR systems play an important role in number of security applications such as improvement of road safety, traffic monitoring or surveillance. The specific task requires not only realistic-looking reconstructed images but it also needs to preserve the text information. Standard CNN SR and GANs fail to accomplish this requirment. The incorporation of the OCR pipeline into the method also allows training of the network without the need of ground truth high resolution data which enables easy training on real data with all the real image degradations including compression.

Název v anglickém jazyce

Perceptual License Plate Super-Resolution with CTC Loss

Popis výsledku anglicky

We present a novel method for super-resolution (SR) of license plate images based on an end-to-end convolutional neural networks (CNN) combining generative adversial networksn(GANs) and optical character recognition (OCR). License plate SR systems play an important role in number of security applications such as improvement of road safety, traffic monitoring or surveillance. The specific task requires not only realistic-looking reconstructed images but it also needs to preserve the text information. Standard CNN SR and GANs fail to accomplish this requirment. The incorporation of the OCR pipeline into the method also allows training of the network without the need of ground truth high resolution data which enables easy training on real data with all the real image degradations including compression.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Electronic Imaging, Intelligent Robotics and Industrial Applications using Computer Vision 2020

ISBN

—

ISSN

2470-1173

e-ISSN

—

Počet stran výsledku

5

Strana od-do

052

Název nakladatele

Society for Imaging Science and Technology

Místo vydání

Springfield

Místo konání akce

Burlingame, California

Datum konání akce

26. 1. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—