该博客介绍了针对1700多张包含蓝、绿、黄、白四种颜色车牌的图片进行分类的任务。首先从标注的JSON文件中提取车牌并裁剪，再调整为固定尺寸进行四分类。使用了1conv+2fc的网络结构，分类交叉熵损失函数和Adam优化器。通过训练，实现了高准确率，并在1080Ti GPU上进行了实验，探讨了不同网络结构的效果。
车牌分类任务
任务描述：
对1700多张图片(包含蓝、绿、黄、白四种颜色牌照的车)进行分类。但是车牌区域在整张图片的占比非常小，所以首先依据标注的坐标将车牌裁剪出出来，然后用此裁剪后的图像进行四分类任务。本任务代码已经上传至github中。
需要解决的问题：
保证网络结构最简、计算复杂度低，但同时需保证Recall、Precision
JSON格式是一种相比于XML格式更轻量级的数据交互格式，采用完全独立于编程语言的文本格式来存储和表示数据。
首先提取车牌区域，然后根据计算出来的车牌高度和宽度均值，将车牌区域图像resize成固定大小(对之后的神经网络训练是必须的)
本次实验的图像size为64x128.
最低0.47元/天 解锁文章
2189
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
