TableBank: A Benchmark Dataset for Table Detection and Recognition
Microsoft Research Asia（微软亚洲研究院）
我们提出了TableBank，一个新的基于图像的表格检测和识别数据集，该数据集是从互联网上的Word和Latex文档中构建的。基于图像的表格检测和识别的现有研究通常使用几千个人工标记的示例对域外数据进行预训练模型进行微调，这很难在现实世界的应用中推广。通过包含417K高质量标记表的TableBank，我们使用最先进的模型和深度神经网络构建了几个强大的基线。我们公开了TableBank，并希望它能在表格检测和识别任务中支持更多的深度学习方法。数据集和模型可在\url{https://github.com/doc-analysis/TableBank}上获得。
2020-07-06 cs.CV
Modeling the Impact of Visual Brand Language on Attention, Object Recognition, and Memory Retrieval
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究探究视觉品牌语言对物体功能身份识别的影响，基于JIM物体识别模型与LISA类比推理模型构建框架开展仿真，发现品牌信息会捕获注意力、拖慢物体功能类别识别，品牌强度越高效应越强。
2026-07-07 cs.AI cs.CV cs.HC
Automatic Graphic Logo Detection via Fast Region-based Convolutional Networks
Center for Informatics and Systems of the University of Coimbra（科英布拉大学信息学与系统中心）；EyeSee Solutions（EyeSee解决方案公司）；CISUC - Department of Informatics Engineering University of Coimbra（科英布拉大学信息学工程系（CISUC））
品牌识别是一个极具挑战性的课题，在本地化识别、广告和市场营销等领域有着广泛的应用。在本文中，我们提出了一个自动图形标识检测系统，鲁棒处理无约束的成像条件。我们的方法基于Ross Girshick提出的快速区域卷积网络（FRCN），它在几个通用对象识别任务（PASCAL Visual Object Classes挑战）中表现出了最先进的性能。特别是，我们使用了两个用ILSVRC ImageNet数据集预训练的CNN模型，我们研究了在预处理阶段对窗口“建议”的选择性搜索和数据增强，以提高徽标识别率。新颖之处在于使用迁移学习来利用用大规模数据集训练的强大的卷积神经网络模型，并在图形标识检测的背景下重新使用它们。该框架的另一个好处是，它允许使用可能具有对象的区域来多次检测图形徽标。FlickrLogos-32数据集的实验结果不仅显示了我们开发的模型在噪声和图形徽标可能受到的其他变换方面的良好性能，而且还显示了其优于具有手工制作模型和功能的最先进系统的优势。
2016-04-20 cs.CV
Deep Learning Logo Detection with Data Expansion by Synthesising Context
Queen Mary University of London（伦敦玛丽女王大学）
无约束图像中的徽标检测具有挑战性，特别是当由于高标签成本而只能访问非常稀疏的标记训练图像时。在这项工作中，我们描述了一种模型训练图像合成方法，能够显着提高标志检测性能时，只有少数（例如，10)在现实环境中捕获的带标签的训练图像是可用的，避免了大量的人工标签成本。具体来说，我们设计了一种新的算法，用于生成合成上下文标志（SCL）训练图像，以提高模型对未知背景杂波的鲁棒性，从而获得卓越的标志检测性能。对于基准模型性能，我们引入了一个新的徽标检测数据集TopLogo-10，该数据集收集了在丰富的视觉环境中捕获的前10个最受欢迎的服装/可穿戴品牌徽标。广泛的比较显示了我们提出的SCL模型的优势，超过了使用两个真实世界的标志基准数据集：FlickrLogo-32和我们新的TopLogo-10进行标志检测的最先进的替代方案。
2018-03-16 cs.CV
COCO-Text: Dataset and Benchmark for Text Detection and Recognition in Natural Images
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技校区）
本文介绍了COCO-Text数据集。近年来，SUN和Imagenet等大规模数据集推动了场景理解和目标识别的发展。COCO-Text的目标是推进自然图像中文本检测和识别的最新技术。该数据集基于MS COCO数据集，其中包含复杂日常场景的图像。这些图像的收集没有考虑到文本，因此包含各种各样的文本实例。为了反映自然场景中文本的多样性，我们用（a）限界框的位置来标注文本，（b）细粒度分类为机器打印文本和手写文本，（c）分类为清晰和难以辨认的文本，（d）文本的脚本和（e）清晰文本的转换。该数据集包含超过63 k图像中的超过173 k文本注释。我们对我们的注释的准确性进行统计分析。此外，我们提出了三个领先的国家的最先进的照片光学字符识别（OCR）方法对我们的数据集的分析。虽然场景文本检测和识别近年来取得了很大进展，但我们发现了激励未来工作的重大缺点。
2016-06-19 cs.CV
Comprehensive Benchmark Datasets for Amharic Scene Text Detection and Recognition
Huazhong University of Science and Technology（华中科技大学）
阿姆哈拉文字是最古老的非洲书写系统之一，至少有23种语言（例如，阿姆哈拉语，提格里尼亚语）在东非超过1.2亿人。阿姆哈拉语书写系统Abugida有282个音节，15个标点符号和20个数字。阿姆哈拉语音节矩阵是从34个基本字素/辅音中通过添加多达12个适当的变音符号或元音标记来获得的。具有共同辅音或元音标记的音节可能在视觉上相似，并挑战文本识别任务。在这项工作中，我们提出了第一个全面的公共数据集，名为HUST-ART，HUST-AST，ABE和Tana，用于自然场景中的阿姆哈拉语脚本检测和识别。我们还进行了广泛的实验，以评估在我们的数据集上检测和识别阿姆哈拉语场景文本的最先进方法的性能。评估结果表明，我们的数据集的基准和它的潜力，促进强大的阿姆哈拉文字检测和识别算法的发展的鲁棒性。因此，其结果将使东非人民受益，包括一些国家和国际社会的外交官。
2022-03-23 cs.CV
GA-DAN: Geometry-Aware Domain Adaptation Network for Scene Text Detection and Recognition
Nanyang Technological University（南洋理工大学）
最近的对抗性学习研究在对表观空间中的跨域数据转移进行建模方面取得了令人印象深刻的进展，但在对几何空间中的跨域转移进行建模方面却远远落后。本文提出了一种创新的几何感知领域自适应网络（GA-DAN），能够同时在几何空间和外观空间中对跨域移动进行建模，并将具有非常不同特征的图像跨域逼真地转换。在建议的GA-DAN，一种新的多模态空间学习技术的设计，将源域图像转换成多个图像的不同的空间视图，在目标域。引入了一种新的解纠缠的圈一致性损失，平衡了圈在表观空间和几何空间的一致性，大大提高了整个网络的学习能力。所提出的GA-DAN已被评估为经典的场景文本检测和识别任务，实验表明，领域适应的图像实现优越的场景文本检测和识别性能，而应用于网络训练。
2019-07-23 cs.CV
ICDAR2019 Robust Reading Challenge on Multi-lingual Scene Text Detection and Recognition -- RRC-MLT-2019
University of La Rochelle（拉罗谢尔大学）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Indian Statistical Institute（印度统计研究所）；Czech Technical University（捷克技术大学）；Institute of Automation of Chinese Academy of Sciences（中国科学院自动化研究所）
随着现代城市日益增长的国际化文化，对鲁棒的多语言场景文本（MLT）检测和识别系统的需求从未像现在这样巨大。为了系统地对最先进的技术进行基准测试和推动，拟议的竞赛建立在RRC-MLT-2017的基础上，增加了一个端到端任务，一个真实图像数据集中的额外语言，一个大规模的多语言合成数据集来帮助训练，以及一个基线端到端识别方法。真实的数据集由20，000张包含10种语言文本的图像组成。该挑战有4个任务，涵盖多语言场景文本的各个方面：（a）文本检测，（b）裁剪词脚本分类，（c）联合文本检测和脚本分类以及（d）端到端检测和识别。本次竞赛共收到来自研究和工业界的60份参赛作品。本文介绍了RRC-MLT-2019挑战的数据集、任务和结果。
2019-07-01 cs.CV
Unified Chinese License Plate Detection and Recognition with High Efficiency
University of Electronic Science and Technology of China（电子科技大学）
最近，基于深度学习的方法在车牌（LP）检测和识别任务上达到了优异的性能。然而，由于没有足够大的和有代表性的数据集，建立一个鲁棒的中国LP模型仍然具有挑战性。在这项工作中，我们提出了一个新的数据集命名为中国道路板块数据集（CRPD），其中包含多目标中国LP图像作为现有公共基准的补充。这些图像主要是通过电子监控系统捕获的，并附有详细的注释。据我们所知，CRPD是最大的公共多目标中国LP数据集与顶点的注释。以CRPD为基础，提出了一个高效的统一检测和识别网络。该网络是端到端可训练的，具有完全实时的推理效率（30 fps，640p）。在几个公共基准测试上的实验表明，我们的方法已经达到了竞争力的性能。代码和数据集将在www.example.com上公开。
2022-05-07 cs.CV
LogoDet-3K: A Large-Scale Image Dataset for Logo Detection
Shandong Normal University（山东师范大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
由于其在多媒体领域的广泛应用，如版权侵权检测，品牌知名度监测和社交媒体上的产品品牌管理，徽标检测已经获得了相当大的关注。在本文中，我们介绍了LogoDet-3 K，这是最大的具有完整注释的徽标检测数据集，它包含3，000个徽标类别，约200，000个手动注释的徽标对象和158，652个图像。LogoDet-3 K为标识检测创建了一个更具挑战性的基准，与现有数据集相比，它在标识类别和注释对象方面具有更高的全面覆盖率和更广泛的多样性。我们描述了我们的数据集的收集和注释过程，分析其规模和多样性相比，其他数据集的标志检测。我们进一步提出了一个强大的基线方法Logo-Yolo，它将Focal损失和CIoU损失整合到最先进的YOLOv 3框架中，用于大规模徽标检测。Logo-Yolo可以解决多尺度对象、logo样本不平衡和边界盒回归不一致等问题。与YOLOv 3相比，它的平均性能提高了约4%，与LogoDet-3 K上报告的几个深度检测模型相比，它有更大的改进。在其他三个已有数据集上的测试结果进一步验证了该方法的有效性，并证明了LogoDet-3 K在标识检测和检索任务上具有更好的泛化能力。LogoDet-3 K数据集用于促进大规模的徽标相关研究，可以在https://github.com/Wangjing1551/LogoDet-3K-Dataset上找到。
2020-08-12 cs.CV cs.MM
A Novel Integrated Framework for Learning both Text Detection and Recognition
Alibaba（阿里巴巴）；Ant Financial（蚂蚁金融）
在本文中，我们提出了一个新的集成框架，学习文本检测和识别。由于检测和识别模型的参数不同，并且两个模型都以优化各自的损失函数为目标，因此现有的大多数方法都将检测和识别作为两个孤立的任务分别训练。与这些方法相比，通过共享模型参数，我们将检测模型和识别模型合并为一个端到端的可训练模型，并同时为两个任务训练联合模型。共享参数不仅有效地减少了推理过程中的计算量，而且提高了端到端文本检测识别的准确率。此外，我们设计了一个更简单，更快的序列学习方法的识别网络的基础上的一系列堆叠的卷积层没有任何递归结构，这被证明是可行的，大大提高了推理速度。在不同数据集上的大量实验表明，该方法取得了非常有前途的结果。
2018-11-21 cs.CV cs.LG
Logo-VGR: Visual Grounded Reasoning for Open-world Logo Recognition
VCIP, CS, Nankai University（南开大学计算机科学与技术学院）
针对开放世界品牌 Logo 识别，本文提出 Logo-VGR 基准与比较式视觉扎根推理框架，通过领域知识注入和标识引导推理提升未见过品牌的泛化性能。
2025-09-30 cs.CV cs.LG
Exploring Thermography Technology: A Comprehensive Facial Dataset for Face Detection, Recognition, and Emotion
Al-Azhar University（爱资哈尔大学）；Scientific Research School of Egypt (SRSEG)（埃及科学研究学院）；Helwan University（赫勒万大学）；Cairo University（开罗大学）
本研究构建了包含6823张热图像的综合面部数据集，覆盖多条件、多情绪类别，可用于人脸检测、识别与情绪分析等任务，推动热成像技术发展与跨学科研究。
2024-05-28 cs.CV cs.HC
Domain Adaptation with Joint Learning for Generic, Optical Car Part Recognition and Detection Systems (Go-CaRD)
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯公司）；Starfleet Academy（星际舰队学院）；Tyrell Inc.（泰瑞尔公司）
自动识别和检测汽车零部件的系统在智能汽车开发的几个新兴研究领域中至关重要。例如，它们能够检测和建模人与车辆之间的相互作用。在本文中，我们定量和定性地探索了深度学习架构在三个新数据集上对29个内部和外部车辆区域进行分类和定位的有效性。此外，我们实验了跨数据集的联合学习和迁移学习方法，并指出了我们系统的潜在应用。我们最好的网络架构实现了93.67%的F1识别分数，而我们最好的本地化方法利用最先进的骨干网络实现了63.01%的检测mAP。MuSe-CAR-Part数据集基于视频中各种各样的人车交互、最佳模型的权重和代码，可供学术界公开使用，用于基准测试和未来研究。
2021-02-15 cs.CV cs.MM
Automating Style Analysis and Visualization With Explainable AI -- Case Studies on Brand Recognition
Carnegie Mellon University（卡内基梅隆大学）
本文提出两层品牌识别图神经网络BIGNet，通过参数化建模与像素图矢量化获取SVG数据，自动分类并解释手机与汽车的品牌风格特征。
2023-06-05 cs.CV cs.LG
Orthogonal Deep Features Decomposition for Age-Invariant Face Recognition
Tencent AI Lab（腾讯人工智能实验室）
随着年龄的增长，人脸的外观会发生显著的类内变化，因此年龄不变人脸识别（AIFR）仍然是人脸识别领域的一个主要挑战。为了减少由年龄引起的类内差异，在本文中，我们提出了一种新的方法（即正交嵌入CNN，或OE-CNN）来学习年龄不变的深层人脸特征。具体来说，我们将深层人脸特征分解为两个正交分量来表示年龄相关和身份相关的特征。因此，对老化具有鲁棒性的身份相关特征随后用于AIFR。此外，为了补充现有的跨年龄人脸数据集，推进该领域的研究，我们构建了一个全新的大规模跨年龄人脸数据集（CAF）。在三个公共领域人脸老化数据集（MORPH Album 2、CACD-VS和FG-NET）上进行的大量实验表明了所提出方法的有效性和所构建的CAF数据集在AIFR上的价值。在最流行的通用人脸识别（GFR）数据集LFW上对我们的算法进行基准测试，还证明了GFR的泛化性能。
2018-10-17 cs.CV
Visual Car Brand Classification by Implementing a Synthetic Image Dataset Creation Pipeline
TH OWL University of Applied Sciences and Arts（TH OWL应用科学与艺术大学）；Fraunhofer IOSB-INA（弗劳恩霍夫IOSB-INA研究所）；Institute for Industrial Information Technology (inIT)（工业信息技术研究所(inIT)）
针对特定用例标记数据获取困难的问题，提出基于Stable Diffusion和YOLOv8的合成图像数据集自动生成流水线，证明了仅用合成数据训练图像分类器的可行性，并在汽车品牌分类任务中达到75%的准确率。
2024-06-03 cs.CV cs.LG
Comparing Face Detection and Recognition Techniques
Christ University Faculty of Engineering（基督大学工程学院）
本文实现并比较了不同的人脸检测和识别技术。一个是寻找人脸在图像中的位置，即人脸检测，第二个是人脸识别，即识别人。本文研究了三种人脸识别技术：基于自组织映射的人脸检测、基于投影和最近邻的人脸识别以及基于支持向量机的人脸识别。
2016-04-19 cs.CV
Detection and Analysis of Content Creator Collaborations in YouTube Videos using Face- and Speaker-Recognition
Technische Universität Darmstadt（达姆施塔特工业大学）
这项工作讨论并实现了在YouTube视频的合作检测的扬声器识别的应用。CATANA是一个现有的YouTube协作检测和分析框架，它正在利用人脸识别来检测协作者，这在没有出现人脸的视频内容上自然表现不佳。本文提出了一种扩展的CATANA使用主动说话人检测和说话人识别，以提高检测精度。
2018-07-05 cs.CV
Computerized Face Detection and Recognition
该出版物介绍了人脸检测，分析和识别的方法：快速归一化互相关基于多模板之间的快速相关系数的人脸预检测方法、基于snakes和广义梯度矢量流场的精确人脸轮廓检测方法、基于累积匹配特征的组合识别算法以提高识别速度和准确度的方法、以及基于小波包分解的主成分分析的人脸识别方法，其允许使用具有大量训练图像的基于PCA的识别方法。对于所有的方法的实验结果和速度和精度与大型人脸数据库的比较。
2004-10-20 cs.CV
Detection of Fights in Videos: A Comparison Study of Anomaly Detection and Action Recognition
Jovision-Deepcam Research Institute（中维世纪-深眸研究院）
打斗检测是视频监控中的一个重要应用。大多数现有的方法使用监督的二进制动作识别。由于帧级注释很难得到异常检测，使用多实例学习的弱监督学习被广泛使用。本文探讨了视频中的战斗检测作为一种特殊类型的异常检测和二元动作识别。我们使用UBI-Fight和NTU-CCTV-Fight数据集进行大部分研究，因为它们具有帧级注释。我们发现，异常检测有类似的，甚至更好的性能比动作识别。此外，我们研究使用异常检测作为一个工具箱，以迭代的方式产生的异常检测的性能条件下的动作识别的训练数据集。实验结果表明，我们在三个战斗检测数据集上实现了最先进的性能。
2022-05-23 cs.CV
Face Detection and Face Recognition In the Wild Using Off-the-Shelf Freely Available Components
Information Technology University（信息技术大学）
本文提出了一种简单有效的人脸检测和人脸识别方法，使用免费的软件组件从互联网上。人脸检测和人脸识别问题在家庭和办公室安全中有着广泛的应用。因此，这项工作将有助于那些寻找一个自由的脸现成的人脸检测系统。使用该系统，可以在不受控制的环境中检测人脸。在检测阶段，检测到每个人的脸，在识别阶段，检测到的脸与给定数据集中的脸进行比较并识别。
2019-01-19 cs.CV
Analysis of face detection, face landmarking, and face recognition performance with masked face images
University of Ljubljana（卢布尔雅那大学）；Faculty of Computer and Information Science（计算机与信息科学学院）
人脸识别已经成为我们生活中必不可少的任务。然而，当前COVID-19疫情导致口罩的广泛使用。戴口罩的影响目前是一个研究不足的问题。本文的目的是分析人脸检测，人脸地标，人脸识别性能与蒙面的人脸图像。HOG和CNN人脸检测器与5点和68点人脸界标预测器相结合用于人脸检测，VGG 16人脸识别模型用于掩蔽和未掩蔽图像上的人脸识别。我们发现，人脸检测，人脸地标和人脸识别的性能受到面具的负面影响
2022-06-03 cs.CV
Single Shot Self-Reliant Scene Text Spotter by Decoupled yet Collaborative Detection and Recognition
Harbin Institute of Technology at Shenzhen（哈尔滨工业大学（深圳））；Baidu Inc（百度公司）
典型的文本识别遵循两阶段识别范式，首先检测文本实例的边界，然后在检测到的区域内执行文本识别。尽管这样的斑点范例的显着进步，一个重要的限制是，文本识别的性能在很大程度上取决于文本检测的精度，导致潜在的错误传播从检测到识别。在这项工作中，我们提出了Single Shot Self-Reliant Scene Text Spotter v2（SRSTS v2），它通过将识别与检测分离，同时协同优化两个任务来规避这一限制。具体来说，我们的SRSTS v2样本的代表性特征点周围的每个潜在的文本实例，并进行文本检测和识别并行引导这些采样点。因此，文本识别不再依赖于检测，从而减轻了从检测到识别的错误传播。此外，采样模块是在检测和识别的监督下学习的，这允许两个任务之间的协同优化和相互增强。受益于这种采样驱动的并发spotting框架，我们的方法是能够正确地识别文本实例，即使精确的文本边界是具有挑战性的检测。在四个基准上进行的大量实验表明，我们的方法与最先进的检举人相比毫不逊色。
2023-02-07 cs.CV
Deep Learning Based Segmentation Free License Plate Recognition Using Roadway Surveillance Camera Images
Havelsan Inc.（哈维桑公司）
智能自动化交通执法解决方案近年来越来越受欢迎。这些解决方案广泛用于安全带违规检测、闯红灯违规检测和超速违规检测。高精度的车牌识别是这些系统中不可或缺的一部分。然而，一般的车牌识别系统需要高分辨率的图像以获得高性能。在这项研究中，我们提出了一种新的车牌识别方法，一般道路监控摄像头。提出的无分割车牌识别算法在字符检测和识别过程中利用基于深度学习的目标检测技术。所提出的方法已被测试2000图像上捕获的道路上。
2019-12-05 cs.CV
IOD-CNN: Integrating Object Detection Networks for Event Recognition
U.S. Army Research Laboratory（美国陆军研究实验室）；University of Maryland（马里兰大学）；Booz Allen Hamilton Inc.（博思艾伦汉密尔顿公司）
许多先前的方法已经表明了考虑语义相关对象以执行事件识别的重要性，但是这些方法都没有利用深度卷积神经网络的能力来直接将相关对象信息集成到统一的网络中。我们提出了一种新的统一的深度CNN架构，该架构集成了架构上不同但语义相关的目标检测网络，以增强事件识别任务的性能。我们的架构允许共享卷积层和一个完全连接的层，有效地集成了事件识别，刚性目标检测和非刚性目标检测。
2017-03-21 cs.CV
ARTS: Eliminating Inconsistency between Text Detection and Recognition with Auto-Rectification Text Spotter
Alibaba DAMO Academy（阿里巴巴达摩院）
最近的端到端文本定位方法已经取得了可喜的成果。然而，目前大多数的文本检测和识别之间的不一致性问题困扰。在这项工作中，我们介绍并证明了不一致问题的存在，并从两个方面进行分析：（1）训练和测试之间的文本识别特征的不一致性，（2）文本检测和识别之间的优化目标的不一致性。为了解决上述问题，我们提出了一个可区分的自动校正模块（ARM），以及一个新的训练策略，使识别损失传播回检测分支，使我们的检测分支可以联合优化检测和识别目标，这在很大程度上解决了文本检测和识别之间的不一致性问题。基于这些设计，我们提出了一个简单而强大的端到端的文本定位框架，称为自动纠正文本定位器（ARTS），检测和识别任意形状的文本在自然场景。大量的实验证明了我们的方法的优越性。特别是，我们的ARTS-S以10.5 FPS的竞争速度在Total-Text上实现了77.1%的端到端文本定位F-测量，在准确性和推理速度方面都显着优于以前的方法。
2021-10-20 cs.CV
Spatial-Temporal Alignment Network for Action Recognition and Detection
Carnegie Mellon University（卡内基梅隆大学）；Google Cloud AI（谷歌云人工智能）
本文研究了如何引入视点不变的特征表示，可以帮助动作识别和检测。尽管在过去的十年里，我们见证了动作识别的巨大进步，但如何有效地对大规模数据集的几何变化进行建模仍然是一个具有挑战性和有趣的问题。本文提出了一种新的时空对齐网络（STAN），旨在学习几何不变表示的动作识别和动作检测。STAN模型是非常轻量级和通用的，可以插入到现有的动作识别模型中，如ResNet 3D和SlowFast，额外的计算成本非常低。我们在AVA，Kinetics-400，AVA-Kinetics，Charades和Charades-Ego数据集上广泛测试了我们的STAN模型。实验结果表明，STAN模型在动作检测和动作识别任务中都能持续提高技术水平。我们将发布我们的数据、模型和代码。
2020-12-04 cs.CV
End-To-End Face Detection and Recognition
Zhejiang University（浙江大学）
几十年来，人们提出了许多人脸检测和识别的方法，并取得了令人满意的结果。常见的人脸识别流程包括：1）人脸检测，2）人脸对齐，3）特征提取，4）相似度计算，这些流程是相互分离和独立的。人脸分析阶段的分离导致了模型的冗余计算，难以进行端到端的训练。在本文中，我们提出了一种新的端到端的可训练卷积网络框架，用于人脸检测和识别，其中直接学习几何变换矩阵来对齐人脸，而不是预测人脸标志。在训练阶段，我们的单个CNN模型仅由面部边界框和个人身份进行监督，这些边界框和个人身份可从WIDER FACE \cite{Yang2016}数据集和CASIA-WebFace \cite{Yi2014}数据集公开获得。在人脸检测数据集和基准数据集（FDDB）\cite{Jain2010}数据集和野生标记人脸（LFW）\cite{Huang2007}数据集上进行测试，人脸检测任务的召回率达到89.24%，人脸识别任务的验证准确率达到98.63%，与最新的人脸检测和人脸识别结果相当。
2017-03-31 cs.CV
Real-Time Text Detection and Recognition
University of Alberta（阿尔伯塔大学）
近年来，卷积神经网络（CNN）作为一种功能强大、智能化程度高的文本检测技术，已经成为一个热门的话题，而YOLO就是一种利用卷积神经网络算法进行实时的【形】文本检测的技术。然而，光度失真和几何失真等问题可能会影响系统YOLO精度并导致系统故障。因此，有改进，可以使系统更好地工作。在本文中，我们将提出我们的解决方案-一个快速，准确的实时的【形】文本方向和识别系统的潜在解决方案。本文围绕实时文本检测与识别这一主题，主要研究了三个方面：1。视频图像预处理;文本检测，3.文本识别。作为一种成熟的技术，有许多现有的方法可以潜在地改进解决方案。我们将在文献回顾环节中介绍一些现有的方法。通过这种方式，我们提出了一个工业实力，高精度，实时的【形】文本检测和识别工具。
2020-10-31 cs.CV
Review of Action Recognition and Detection Methods
York University（约克大学）
在计算机视觉中，动作识别是指对给定视频中存在的动作进行分类的动作，而动作检测涉及在空间和/或时间中定位感兴趣的动作。在网格结构中包含光度信息（例如RGB、强度值）的视频包含可以帮助识别已经成像的动作的信息。动作识别和检测的过程通常从提取有用的特征并对其进行编码开始，以确保特征是特定的，以服务于动作识别和检测的任务。然后通过分类器处理编码特征以识别动作类及其空间和/或时间位置。在这份报告中，通过分析一个典型的动作识别和检测算法的两个步骤：（i）特征的提取和编码，以及（ii）将特征分类为动作类，对计算机视觉中的各种动作识别和检测算法进行了全面的回顾。在努力确保计算机视觉为基础的算法达到的能力，人类有识别的行动，而不管各种滋扰变量，可能存在的视野内，国家的最先进的方法进行审查，并在最后一章中解决了一些剩余的问题。
2016-11-01 cs.CV
Presentation Attack Detection for Iris Recognition: An Assessment of the State of the Art
Research and Academic Computer Network (NASK)（研究与学术计算机网络（NASK））；University of Notre Dame（圣母大学）
虹膜识别越来越多地用于大规模应用。因此，虹膜识别中的呈现攻击检测具有重要意义。本调查涵盖了关于这一主题的各种研究文献。不同类别的演示攻击进行了描述，并放置在一个应用程序相关的框架，并在检测每一类攻击的最新技术进行了总结。由此得出的一个结论是，虹膜识别的呈现攻击检测尚未解决。本书描述了可供研究的数据集，概述了近期和中期的研究方向，并提出了一份推荐阅读材料的简短清单。
2018-06-13 cs.CV
Detection, Recognition, and Tracking: A Survey
对于人类来说，目标检测、识别和跟踪是与生俱来的。这些为人类提供感知其环境和其环境中的对象的能力。然而，这种能力在计算机中并不适用。在计算机视觉和多媒体中，检测、识别和跟踪图像和/或视频中的对象变得越来越重要。这些应用中的许多应用，诸如面部识别、监视、动画，用于跟踪特征和/或人。然而，这些任务对计算机来说是一个挑战，因为有大量的数据需要解析。因此，需要许多技术和算法，并因此研究试图实现类似人类的感知。在这篇文献综述中，我们集中在目标检测和识别的一些新技术，以及如何将跟踪算法应用于检测到的特征来跟踪目标的运动。
2022-03-22 cs.CV
Edge Detection for Pattern Recognition: A Survey
Nazarbayev University（纳扎尔巴耶夫大学）
本文综述了受人类视觉理解启发的模式识别边缘检测方法的文献。我们注意到边缘检测是灵长类动物低级视觉中最基本的过程之一，为高级视觉智能提供了基础。图像中模式的识别与边缘形成的时空过程密切相关，其实现需要神经科学、计算和模式识别的交叉规划方法。本文将边缘检测器分为边缘特征、梯度和草图模型三大类，并给出了一些应用实例以供参考。我们注意到，在过去的十年中，利用边缘特征的计算机视觉和图像理解的问题有直接的含义，模式识别与图像的广泛的已发表的研究的量显着增加。
2016-02-15 cs.CV
Optical Braille Recognition Using Object Detection CNN
ELVEES RnD center, JSC（ELVEES研发中心（开放式股份公司））
提出了一种利用目标检测卷积神经网络对盲文字符进行一次性检测的光学盲文识别方法。该算法对页面图像的变形和透视变形具有较强的鲁棒性。它使其可用于识别在智能手机摄像头上拍摄的盲文文本，包括弯曲的页面和透视扭曲的图像。与现有方法相比，该算法具有较高的性能和准确性。我们还介绍了一个新的“安吉丽娜盲文图像数据集”包含240注释的盲文文本的照片。所提出的算法和数据集可在GitHub上获得。
2020-12-22 cs.CV
A XGBoost Algorithm-based Fatigue Recognition Model Using Face Detection
Zhijing College of Zhejiang University of Technology（浙江工业大学之江学院）
由于疲劳通常反映在人脸的眼睛和嘴巴上，本文尝试使用两个指标：眼睛长宽比（Eye Aspect Ratio）和嘴巴长宽比（Mouth Aspect Ratio）来构建基于XGBoost人脸识别模型的疲劳识别模型。该模型的准确率为87.37%，灵敏度为89.14%，证明了该模型的有效性和实用性。
2023-03-13 cs.CV
MMOCR: A Comprehensive Toolbox for Text Detection, Recognition and Understanding
SenseTime Research（商汤科技研究院）；Center for Perceptual and Interactive Intelligence（感知与交互智能中心）；South China University of Technology（华南理工大学）；Nanyang Technological University（南洋理工大学）；Shanghai AI Laboratory（上海人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）
我们提出了MMOCR-一个开源的工具箱，它提供了一个全面的管道，文本检测和识别，以及其下游的任务，如命名实体识别和关键信息抽取。MMOCR实现了14种最先进的算法，这比我们迄今为止所知道的所有现有开源OCR项目都要多得多。为了促进文本识别相关问题的未来研究和工业应用，我们还提供了大量的训练模型和详细的基准测试，以深入了解文本检测，识别和理解的性能。MMOCR在https://github.com/open-mmlab/mmocr上公开发布。
2021-08-14 cs.CV
Light-weight place recognition and loop detection using road markings
KAIST（韩国科学技术院）
在本文中，我们提出了一个有效的算法，鲁棒的地方识别和循环检测使用相机信息。我们的管道纯粹依赖于道路标记的空间定位和语义信息。道路标记序列数据库的创建是在线执行的，这使得该方法适用于实时闭环视觉SLAM技术。此外，我们的算法对各种天气条件，车辆遮挡和阴影具有鲁棒性。我们已经进行了大量的实验，突出了所提出的方法的有效性和可扩展性。
2017-10-20 cs.CV
License Plate Detection and Recognition Using Deeply Learned Convolutional Neural Networks
Sighthound Inc.（Sighthound公司）
这项工作详细介绍了Sighthounds全自动车牌检测和识别系统。该系统的核心技术是使用一系列深度卷积神经网络（CNN）与准确高效的算法交织而成。CNN经过训练和微调，使其在不同条件下（例如姿势、照明、遮挡等变化）具有鲁棒性。并且可以在各种牌照模板（例如，大小、背景、字体等）上工作。对于定量分析，我们表明，我们的系统优于领先的车牌检测和识别技术，即ALPR在几个基准。我们的系统可通过Sighthound Cloud API提供给开发人员，网址为https://www.sighthound.com/products/cloud
2017-03-28 cs.CV
Indian Commercial Truck License Plate Detection and Recognition for Weighbridge Automation
Ahmedabad University（艾哈迈达巴德大学）
检测和识别牌照是重要的自动化地磅服务。虽然许多大型数据库可用于拉丁文和中文字母数字车牌，但印度车牌的数据不足。特别是，印度商用卡车牌照数据库不足，尽管商用车牌照识别在物流管理和地磅自动化方面发挥着深远的作用。此外，识别车牌的模型由于其具有挑战性的性质，并且由于手写车牌的丰富频率，导致使用不同的字体样式，因此无法有效地概括这些数据。因此，识别和检测此类车牌的数据库和有效模型至关重要。本文提供了一个商用卡车牌照数据库，并在实时目标检测中使用最先进的模型：You Only Look Once Version 7和SceneText Recognition：置换自回归序列模型，我们的方法优于其他引用的参考文献，其中获得的最大精度小于90%，而我们在所提出的具有挑战性的车牌数据集上实现了95.82%的准确率。自动车牌识别，字符识别，车牌检测，视觉Transformer .
2022-12-22 cs.CV
CLEval: Character-Level Evaluation for Text Detection and Recognition Tasks
Clova AI Research, NAVER Corp.（NAVER公司Clova人工智能研究院）；Yale University（耶鲁大学）
尽管文本检测和识别方法最近取得了成功，但现有的评估指标无法在这些方法之间提供公平可靠的比较。此外，不存在将OCR任务的特征考虑在内的端到端评估度量。先前的端到端度量包含来自检测和识别任务中应用的二进制评分过程的级联错误。忽略部分正确的结果会增加定量和定性分析之间的差距，并阻止细粒度的评估。基于文字是文本的关键元素这一事实，本文提出了一个文本级评价指标（CLEval）。在CLEval中，\textit{instance matching}进程处理拆分和合并检测案例，而\textit{scoring process}执行字符级评估。通过聚合字符级别的分数，CLEval指标提供了对端到端结果的细粒度评估，包括检测和识别以及从最终性能角度对每个模块的单独评估。我们相信，我们的指标可以在开发和分析最先进的文本检测和识别方法中发挥关键作用。评估代码可在https://github.com/clovaai/CLEval上公开获取。
2020-06-11 cs.CV
Wildest Faces: Face Detection and Recognition in Violent Settings
Hacettepe University（哈斯特帕大学）；Middle East Technical University（中东技术大学）
随着大规模数据集和能够学习复杂表示的深度学习模型的引入，人脸检测和识别任务取得了令人印象深刻的进展。尽管取得了这些进展，但现有的数据集并没有捕捉到在最疯狂的场景中人脸识别的困难，例如敌对纠纷或打架。此外，现有的数据集并不代表完全不受约束的情况下，低分辨率，高模糊和大姿态/遮挡变化。为此，我们引入了Wildest Faces数据集，该数据集专注于暴力场景的不利影响。该数据集由电影中名人的大量暴力场景组成。我们的实验结果表明，最先进的技术并不适合暴力场景，因此，《狂野面孔》可能会激起人们对人脸检测和识别研究的进一步兴趣。
2018-05-19 cs.CV
A Two-Stage Dual-Path Framework for Text Tampering Detection and Recognition
Suning（苏宁）
本文提出一种两阶段双路径文本篡改检测框架，通过特征辅助、审计点定位和双流识别网络实现篡改检测与识别，在实验中取得0.804准确率。
2024-02-22 cs.CV
Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks
The University of Adelaide（阿德莱德大学）；Northwestern Polytechnical University（西北工业大学）
在这项工作中，我们解决了自然场景图像中的汽车牌照检测和识别问题。我们提出了一个统一的深度神经网络，它可以定位车牌，并在一个单一的向前通过同时识别字母。整个网络可以端到端地进行训练。与现有的将车牌检测和识别作为两个独立的任务并逐步解决的方法相比，我们的方法通过单个网络联合解决这两个任务。它不仅避免了中间误差的积累，而且加快了处理速度。对于性能评估，测试了包括在不同条件下从各种场景捕获的图像的三个数据集。大量的实验表明，我们所提出的方法的有效性和效率。
2017-09-26 cs.CV
Fine-grained visual recognition with salient feature detection
Wuhan University of Technology（武汉理工大学）；National University of Singapore（新加坡国立大学）
基于计算机视觉的细粒度识别近年来受到了广泛的关注。现有的工作集中在歧视性的部分定位和特征学习。在本文中，为了提高细粒度识别的性能，我们试图精确地定位尽可能多的显著部分的对象。然后，我们计算出的分类概率，可以通过使用单独的部分对象分类。最后，在CUB 200 -2011鸟类数据集上，通过提取各部分的有效特征并将其组合，然后输入分类器进行识别，获得了比现有算法更高的准确率。
2018-08-14 cs.CV
The First Swahili Language Scene Text Detection and Recognition Dataset
Huazhong University of Science and Technology（华中科技大学）
针对斯瓦希里语场景文本研究缺乏公开数据集的问题，本文构建含976张词级标注图像的数据集，并在多种检测与识别模型上评估，将其作为基准公开以促进相关研究。
2024-05-19 cs.CV
Text Detection Forgot About Document OCR
University of Oxford（牛津大学）
从扫描和其他图像中检测和识别文本，通常表示为光学字符识别（OCR），是一种广泛使用的自动化文档处理形式，具有许多可用的方法。然而，OCR系统仍然不能达到100%的准确性，在正确读出至关重要的应用中需要人工校正。机器学习的进步使文本检测和识别的“野外”更具挑战性的场景成为可能-例如从复杂场景的照片中检测物体上的文本。虽然用于野外文本识别的最先进的方法通常在复杂场景中进行评估，但它们在文档领域的性能通常没有公布，并且缺少与文档OCR方法的全面比较。本文比较了几种用于野外文本识别和文档文本识别的方法，并对它们在结构化文档领域的应用进行了评价。结果表明，最初提出的最先进的方法，在野生文本检测也取得了有竞争力的结果，对文档文本检测，优于现有的OCR方法。我们认为，文档OCR的应用不应该被忽略的文本检测和识别方法的评价。
2023-01-23 cs.CV
DOD-CNN: Doubly-injecting Object Information for Event Recognition
US Army Research Laboratory（美国陆军研究实验室）；Booz Allen Hamilton Inc.（博思艾伦汉密尔顿公司）
可以通过以两种方式检测相关对象来增强识别图像中的事件：1）间接利用统一架构内的目标检测信息，或者2）直接利用目标检测输出结果。我们介绍了一种新的方法，称为双注入目标检测CNN（DOD-CNN），利用对象信息的事件识别任务的两种方式。该网络的结构受到集成目标检测CNN（IOD-CNN）的启发，其中对象信息由事件识别模块通过网络的共享部分间接利用。在DOD-CNN架构中，中间目标检测输出被直接注入到事件识别网络中，同时保持从IOD-CNN继承的间接共享结构，因此被“双重注入”。我们还引入了一个批量池层，它从多个对象假设中构建一个代表性的特征图。我们已经证明了在恶意事件识别任务中以两种不同的方式注入目标检测信息的有效性。
2019-02-11 cs.CV
Joint Neural Networks for One-shot Object Recognition and Detection
School of Electronic Engineering and Computer Science, Queen Mary University of London（伦敦大学玛丽皇后学院电子工程与计算机科学学院）
本文提出一种联合神经网络，通过比较查询与目标图像对，在训练类别不可见条件下实现单样本目标识别与检测，并在MiniImageNet和Pascal VOC上取得61.41%准确率与47.1% mAP。
2024-08-01 cs.CV
DDI-100: Dataset for Text Detection and Recognition
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
如今，文档分析和识别仍然是具有挑战性的任务。然而，只有少数数据集设计的文本检测（TD）和光学字符识别（OCR）的问题存在。在本文中，我们提出了失真的文档图像数据集（DDI-100），并证明了它的有用性，在广泛的文档分析问题。DDI-100数据集是一个基于7000个真实独特文档页面的合成数据集，由超过100000个增强图像组成。地面实况包括文本和图章掩码、文本和字符边界框以及相关注释。DDI-100数据集的验证使用了几个TD和OCR模型，这些模型在真实数据上表现出高质量的性能。
2019-12-25 cs.CV
Text detection and recognition based on a lensless imaging system
Zhejiang University（浙江大学）
无透镜照相机的特征在于几个优点（例如，小型化、易于制造和低成本）。然而，由于其图像清晰度差和图像分辨率低，特别是对于文本检测和文本识别等对图像质量和细节要求较高的任务，它们尚未得到广泛应用。为了解决这个问题，建立了一个基于深度学习的管道结构框架，通过三个步骤从使用无镜头相机捕获的原始数据中识别文本。这种流水线结构由无透镜成像模型U-Net、文本检测模型连接主义文本建议网络（CTPN）和文本识别模型卷积递归神经网络（CRNN）组成。与只关注图像重建的方法相比，该流水线中的UNet能够在重建过程中通过增强与字符类别相关的因素来补充成像细节，从而使CTPN和CRNN能够更有效地检测和识别文本信息，并且伪影更少，重建的无透镜图像清晰度更高。通过在不同复杂度的数据集上进行实验，验证了该方法在无镜头摄像机上文本检测和识别的适用性。本研究合理地论证了无透镜相机系统中的文本检测和识别任务，并为新的应用开发了基本方法。
2022-10-09 cs.CV
Understanding Cross Domain Presentation Attack Detection for Visible Face Recognition
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
人脸签名，包括大小、形状、纹理、肤色、眼睛颜色、外观和疤痕/标记，被广泛用作用于访问控制的有区别的生物特征信息。尽管面部识别系统最近取得了进步，但对面部识别系统的呈现攻击已经变得越来越复杂。检测演示攻击或欺骗尝试的能力是面部识别系统的完整性，安全性和信任的紧迫问题。先前已经引入了多光谱成像作为通过利用对电磁频谱的不同区域敏感的传感器（例如，可见光、近红外、长波红外）。虽然多光谱呈现攻击检测系统可以是有区别的，但是对附加传感器和计算资源的需要实质上增加了复杂性和成本。相反，我们提出了一种方法，在训练过程中利用红外图像的信息，以提高基于可见光的演示攻击检测系统的可分辨性。我们介绍了（1）一个新的跨域演示攻击检测框架，它只使用可见光谱图像来增加善意和演示攻击的可分离性，（2）一种逆域正则化技术，用于在优化我们的跨域演示攻击检测框架时增加训练稳定性，以及（3）一个密集的领域自适应子网络，用于在可见和不可见域之间转换表示。
2021-11-03 cs.CV
Image-based Face Detection and Recognition: "State of the Art"
Beijing University of Aeronautics & Astronautics（北京航空航天大学）；COMSATS Institute of Information Technology（COMSATS信息技术学院）；Education University Lahore（拉合尔教育大学）
基于图像或视频的人脸识别是生物特征识别领域的研究热点。许多公共场所通常都有监控摄像机用于视频采集，这些摄像机具有重要的安全价值。人脸识别由于不需要目标的配合，在监控系统中发挥着重要的作用。与其他生物特征识别相比，基于人脸的身份识别的实际优势在于唯一性和可接受性。由于人脸是一个动态的物体，其外观具有高度的可变性，这使得人脸检测成为计算机视觉中的一个难题。在这一领域，识别的准确性和速度是一个主要问题。本文的目的是对各种人脸检测和识别方法进行评价，为基于图像的人脸检测和识别提供完整的解决方案，以更高的准确率，更好的响应速度作为视频监控的第一步。解决方案是基于对各种人脸丰富数据库在主题、姿势、情绪、种族和光线方面进行的测试而提出的。
2013-02-26 cs.CV
Automatic Detection and Recognition of Individuals in Patterned Species
IIIT-Delhi（德里英迪拉·甘地信息技术学院）
视觉动物生物识别技术正在迅速普及，因为它为野生动物监测应用提供了一种非侵入性和具有成本效益的方法。相机陷阱的广泛使用导致了大量收集的图像，使得视觉内容的手动处理难以管理。在这项工作中，我们开发了一个自动检测和识别不同模式物种（如老虎，斑马和美洲虎）中的个体的框架。大多数现有的系统主要依赖于手动输入来定位动物，这不能很好地扩展到大型数据集。为了使检测过程自动化，同时保持对模糊、部分遮挡、光照和姿态变化的鲁棒性，我们使用最近提出的Faster-RCNN目标检测框架来有效地检测图像中的动物。我们进一步从AlexNet中提取动物侧翼的特征，并训练逻辑回归（或线性SVM）分类器来识别个体。我们主要在相机陷阱老虎图像数据集上测试和评估我们的框架，该数据集包含在整体图像质量，动物姿势，规模和照明方面有所不同的图像。我们还评估了我们的识别系统对斑马和美洲虎的图像，以显示泛化到其他图案的物种。我们的框架提供了完美的检测结果，在相机捕获的老虎图像和类似或更好的个人识别性能相比，国家的最先进的识别技术。
2020-05-06 cs.CV
