利用模型融合提升车牌识别

授权号码识别（LPR）在收费、停车管理和交通执法等各种应用中起着重要作用。虽然通过深度学习的发展，LPR 已取得了重大进展，但目前缺乏研究探索融合多个识别模型的潜在改进结果。本研究旨在通过研究使用直接方法组合多达 12 个不同模型，如选择最可靠的预测或采用多数投票策略，来填补这一空白。我们的实验涵盖了广泛的数据集，揭示了融合方法在数据集内部和跨数据集设置中的显著好处。本质上，多模型融合大大降低了在特定数据集 / 场景上获得次优性能的可能性。我们还发现，根据模型的速度进行组合是一种吸引人的方法。具体而言，对于识别任务可以容忍一些额外时间，但不能过多的应用场景，有效的策略是组合 4-6 个模型。这些模型可能不是单独最准确的，但它们的融合在准确性和速度之间达到了最佳平衡。