Die Studie präsentiert einen innovativen Ansatz zur Verbesserung der Kennzeichenerkennungsfähigkeiten unter Wahrung der Privatsphäre. Dafür wird Federated Learning mit der leistungsfähigen U-Net-Segmentationstechnik kombiniert.
Der Datensatz umfasst Fahrzeugbilder aus verschiedenen Ländern sowie manuell erfasste Bilder aus Bangladesch. Durch Datenerweiterung wurde der Datensatz auf 11.472 Bilder erweitert.
Das U-Net-Modell wurde für die Bildsegmentierung entwickelt und zeichnet sich durch eine effiziente Encoder-Decoder-Struktur aus. Federated Learning wurde eingesetzt, um die Datenmenge zu reduzieren und die Privatsphäre der Nutzer zu schützen.
Die Leistungsbewertung zeigt, dass das vorgeschlagene Federated U-Net-Modell im Vergleich zu YOLO und semantischem U-Net bessere Ergebnisse bei Metriken wie Genauigkeit, AUC, Recall und Präzision erzielt. Es kann unregelmäßige Maskierungen präzise erkennen und übertrifft andere Modelle in Bezug auf Überlappung und Ähnlichkeit mit der Grundwahrheit.
Insgesamt bietet das PlateSegFL-Modell eine zuverlässige und datenschutzfreundliche Lösung für die automatische Kennzeichenerkennung, die für Anwendungen in intelligenten Transportsystemen geeignet ist.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Md. Shahriar... alle arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.05049.pdfDomande più approfondite