MDCA Plate: A Two Stage License Plate Recognition System with Channel Attention and Multi-Dilation Features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traffic imagery from the wild contains small plates, blur, glare, dirt, and occlusion, which makes license plate recognition difficult. We present MDCA Plate, a two stage system that detects plates with YOLOv8 and recognizes cropped plates with a PaddleOCR based recognizer enhanced by two modules. The first module is a channel attention block with batch normalization and Swish activation that strengthens channel reweighting and stabilizes optimization. The second module is a multi dilation extractor with three parallel convolutions that aggregate fine strokes and broad context followed by attention guided fusion and a one by one convolution. The pipeline is fully reproducible on CCPD2019 with automatic split generation, file name driven label conversion, deterministic cropping, OCR style label files, and scripted training. The detector converges quickly and reaches mAP at IoU 0.50 of about 0.995, so recognition is the main lever for improvement. Under a shared protocol with identical detector and crops, the combined recognizer with multi dilation and channel attention attains the highest end to end accuracy on the challenge split with 54.37, surpassing the baseline with 53.98 and the single module variants with 51.47 for channel attention and 53.09 for multi dilation, while remaining near ceiling on the base split with 99.87. Training directly on the challenge domain yields 73.87 on challenge, highlighting domain shift rather than capacity as the principal bottleneck.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle