本文分享论文“Knowledge Distillation with Fast CNN for License Plate Detection”，由西工大&同济&中南大学联合提出一种知识蒸馏的车牌检测方法。

作者：田春伟，张璇昱，梁旭，李波，孙友刚，张师超

单位：西北工业大学、空天地海一体化大数据应用技术国家工程实验室、同济大学、中南大学

论文链接：https://ieeexplore.ieee.org/abstract/document/10309208

项目链接：https://github.com/hellloxiaotian/KDNet

01摘要

深度卷积神经网络可以提高车牌识别率，提高交通效率。然而，这些方法可能涉及巨大的计算成本和大量的参数。本文提出了一种基于知识蒸馏的快速CNN来车牌检测方法（Knowledge distillation with a fast CNN for license plate detection, KDNet）。KDNet使用知识蒸馏来引导CNN优化参数，并快速获得车牌检测器。为了克服局部信息的负面影响，本文将非局部相似性机制引入到CNN中，以增强全局信息在车牌检测中提取显著信息的作用。实验结果表明，本文提出的KDNet的车牌检测速度具有优越性。KDNet的代码可以在https://github.com/hellloxiaotian/kdnet处被获取。

主要贡献：

1. 使用两个相同的YOLOv7的组成知识蒸馏框架来引导CNN，实现快速的车牌检测器。
2. 将非局部相似机制嵌入到CNN中，通过增强全局信息的效果来提取显著和互补的结构信息，从而提高车牌检测的识别率。

02 方法

网络结构如图1所示：

03 实验

本文提出的方法在CCPD和CLPD这两个基准数据集上超过了很多流行的方法，如：SSD300、Fast-RCNN、MD-YOLO和YOLOv7等。更多的车牌检测结果如表1和表2所示：

为了验证提出方法的检测时间，本文还在CLPD数据集上比较SSD300，YOLO 9000，Fast-RCNN，TE2E，MTLPR和提出的方法在1080Ti显卡（为了与流行工作保证一致设置）上测试车牌检测的性能。如表3所示，本文提出的模型在推理时间和帧数上都体现出了更快的速度。这说明KDNet适用于实时、计算量受限的数字设备上。表3 在1080Ti显卡上的检测时间和帧数

为了从视觉验证本文提出方法的优越性，本文制作CCPD、CLPD和AOLP数据集上的3组可视化图像。如图2至图4所示，本文提出的方法能够在复杂的场景下准确、全面地定位出单个或多个车牌的位置，这再次说明提出的KDNet对车牌检测任务有效。

04 结论

本文提出了一种基于知识蒸馏的快速CNN方法用于车牌检测。它将知识蒸馏引入到CNN中，以优化参数并快速实现车牌检测器。考虑到局部信息的不足，利用非局部相似性机制引导CNN增强全局信息的效果，根据像素关系提取车牌检测的显著结构信息。本文提出的方法对车牌检测速度快，对改善交通状况非常有用。在将来，作者们将使用自监督学习来指导CNN进行车牌检测。

公众号后台回复“数据集”获取100+深度学习各方向资源整理