SNIDER : Débruitage et rectification d'une seule image bruitée pour améliorer la reconnaissance des plaques d'immatriculation

Dans cet article, nous présentons un algorithme de reconnaissance de plaques d'immatriculation en conditions réelles à partir d'images de faible qualité. Notre méthode repose sur un cadre intégré comprenant le débruitage et la rectification, chaque tâche étant traitée par des réseaux de neurones convolutionnels. Dans les travaux antérieurs, le débruitage et la rectification étaient généralement traités séparément, chacun étant modélisé par un réseau distinct. À la différence de ces approches, nous proposons ici un réseau entraînable end-to-end pour la récupération d’image, appelé SNIDER (Single Noisy Image DEnoising and Rectification), qui vise à résoudre conjointement les deux problèmes. Cette approche surmonte les limitations existantes en concevant un nouveau réseau capable de traiter simultanément le débruitage et la rectification. En outre, nous introduisons une stratégie basée sur l’optimisation avec des tâches auxiliaires afin d’améliorer l’ajustement multi-tâches, ainsi que de nouvelles fonctions de perte d’entraînement. Des expériences étendues menées sur deux jeux de données exigeants pour la reconnaissance de plaques d'immatriculation démontrent l’efficacité de notre méthode dans la récupération d’images de haute qualité à partir d’images de faible qualité, et montrent que notre approche surpasser les méthodes de pointe existantes.