Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userنظام الكشف التلقائي عن أرقام لوحات السيارات باللغة العربية
1036
1 0
0.0
(
0
)
Added by
جامعة بيرزيت ورقة بحثية
Publication date
2013
fields
Informatics Engineering
and research's language is
العربية
Authors
خضر محمد( باحث )
Created by
Shamra Editor
Ask ChatGPT about the research
في هذا البحث ، تم اقتراح طريقة جديدة منخفضة التكلفة للتعرف على لوحات ترخيص المركبات (LPR) والتي يمكن استخدامها بسهولة في لوحات أخرى. تم استخدام تقنية تجزئة LP جديدة مع ثلاث مجموعات من نواقل الميزات مع مطابقة القالب لتشكيل الوحدتين الرئيسيتين: وحدة توطين لوحة الترخيص ووحدة LPR. تم اختبار هذه الطريقة على أكثر من 238 صورة مركبة مأخوذة من مشاهد مختلفة بخطوط وخلفيات مختلفة من دولتين عربيتين. كانت دقة التجزئة للنظام المنفذ 97.5٪ مع دقة التعرف على 99٪ للصور المشوهة إلى حد ما. يوضح النموذج المقدم أنه على الرغم من التأثير السلبي للظلال والشقوق والأوساخ وفصل الشخصيات ، أظهر النظام معدل نجاح إجمالي بنسبة 92٪ في توطين الألواح و 95٪ لتجزئة اللوحات و 92٪ للتعرف على البلد والمدينة و 99 ٪ لتجزئة الرقم والتمييز. أدى الجمع بين جميع المعدلات إلى دقة نظام كلية بلغت 93٪. مقارنة بالعديد من أنظمة LPR المتطورة ، يستخدم هذا النظام المطور حديثًا 3 مجموعات تدريب صغيرة تقلل من أوقات تشغيل الحل المقترح إلى أقل من 5 ثوانٍ باستخدام MATLAB R2008A الذي يعمل على Compaq 8510W مع ذاكرة وصول عشوائي (RAM) 4 جيجا. النتائج قابلة للمقارنة ، وفي بعض الحالات تكون أفضل مع ظروف مقيدة مثل مكان الانحراف وحجم اللوحة والإضاءة والخلفية.
No English abstract
Artificial intelligence review:
Research summary
تقدم هذه الورقة البحثية نظامًا جديدًا للتعرف على لوحات السيارات العربية بتكلفة منخفضة وسهولة التمديد لتشمل لوحات أخرى. يعتمد النظام على تقنية جديدة لتجزئة اللوحات باستخدام ثلاث مجموعات من متجهات الميزات مع مطابقة القوالب لتشكيل وحدتين رئيسيتين: وحدة تحديد موقع اللوحة ووحدة التعرف على اللوحة. تم اختبار هذه الطريقة على أكثر من 238 صورة لسيارات مأخوذة من مشاهد مختلفة بخطوط وخلفيات متنوعة من دولتين عربيتين. أظهرت النتائج دقة تجزئة بنسبة 97.5% ودقة تعرف بنسبة 99% للصور المشوهة بشكل معتدل. على الرغم من التأثير السلبي للظلال والتشققات والأوساخ والفواصل بين الأحرف، أظهر النظام معدل نجاح إجمالي بنسبة 92% لتحديد موقع اللوحة، و95% لتجزئة اللوحات، و92% للتعرف على الدولة والمدينة، و99% لتجزئة الأرقام والتعرف عليها. عند دمج جميع المعدلات، وصلت دقة النظام الإجمالية إلى 93%. مقارنة بالعديد من أنظمة التعرف على اللوحات الأخرى، يستخدم هذا النظام ثلاث مجموعات تدريب صغيرة مما يقلل من وقت التشغيل إلى أقل من 5 ثوانٍ باستخدام MATLAB R2008A على جهاز Compaq 8510W مع ذاكرة وصول عشوائي 4G. النتائج قابلة للمقارنة، وفي بعض الحالات أفضل، في ظل ظروف مقيدة مثل ميل اللوحة، حجم اللوحة، الإضاءة والخلفية.
Critical review
دراسة نقدية: على الرغم من أن النظام المقترح يقدم نتائج ممتازة في التعرف على لوحات السيارات العربية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، يعتمد النظام بشكل كبير على جودة الصور المدخلة، مما يعني أن الصور ذات الجودة المنخفضة أو الإضاءة السيئة يمكن أن تؤثر بشكل كبير على دقة التعرف. ثانيًا، النظام قد لا يكون مرنًا بما يكفي للتعامل مع لوحات السيارات من دول أخرى بدون تعديل كبير في مجموعات التدريب. ثالثًا، استخدام MATLAB قد يكون غير عملي لبعض التطبيقات التجارية التي تتطلب أداءً عاليًا في الوقت الحقيقي. يمكن تحسين النظام باستخدام لغات برمجة أسرع مثل C++ أو Java، أو حتى تنفيذ النظام على أجهزة FPGA للحصول على أداء أسرع بكثير. أخيرًا، يمكن تحسين النظام ليشمل المزيد من أنواع اللوحات الخاصة والحكومية التي لم يتم اختبارها بشكل كافٍ في هذه الدراسة.
Questions related to the research
-
ما هي دقة التعرف على اللوحات في النظام المقترح؟
دقة التعرف على اللوحات في النظام المقترح تصل إلى 99% للصور المشوهة بشكل معتدل.
-
ما هي التحديات الرئيسية التي يواجهها النظام في التعرف على اللوحات العربية؟
التحديات الرئيسية تشمل التباين في اتجاه اللوحات، حجم اللوحة ونسبة العرض إلى الارتفاع للأحرف، الإضاءة، والفواصل بين الأحرف.
-
كيف يمكن تحسين أداء النظام ليكون أكثر فعالية في التطبيقات التجارية؟
يمكن تحسين أداء النظام باستخدام لغات برمجة أسرع مثل C++ أو Java، أو تنفيذ النظام على أجهزة FPGA للحصول على أداء أسرع بكثير.
-
ما هي الخطوات الرئيسية في عملية التعرف على اللوحات في النظام المقترح؟
الخطوات الرئيسية تشمل تحديد موقع اللوحة في الصورة، تجزئة اللوحة إلى أجزاء (الدولة، المدينة، الرقم)، واستخراج الميزات والتعرف على الأحرف باستخدام مطابقة القوالب.
References used
Guangming Li, Zhenqi He, and Huilin Zhang Proc, 2010, The vehicle license plate location based on mathematical morphology and geometric characteristics. SPIE 7820, 78200Y
rate research
Read More
Sentiment classification and sarcasm detection attract a lot of attention by the NLP research community. However, solving these two problems in Arabic and on the basis of social network data (i.e., Twitter) is still of lower interest. In this paper w
e present designated solutions for sentiment classification and sarcasm detection tasks that were introduced as part of a shared task by Abu Farha et al. (2021). We adjust the existing state-of-the-art transformer pretrained models for our needs. In addition, we use a variety of machine-learning techniques such as down-sampling, augmentation, bagging, and usage of meta-features to improve the models performance. We achieve an F1-score of 0.75 over the sentiment classification problem where the F1-score is calculated over the positive and negative classes (the neutral class is not taken into account). We achieve an F1-score of 0.66 over the sarcasm detection problem where the F1-score is calculated over the sarcastic class only. In both cases, the above reported results are evaluated over the ArSarcasm-v2--an extended dataset of the ArSarcasm (Farha and Magdy, 2020) that was introduced as part of the shared task. This reflects an improvement to the state-of-the-art results in both tasks.
This paper presents one of the top five winning solutions for the Shared Task on Sarcasm and Sentiment Detection in Arabic (Subtask-1 Sarcasm Detection). The goal of the task is to identify whether a tweet is sarcastic or not. Our solution has been d
eveloped using ensemble technique with AraBERT pre-trained model. We describe the architecture of the submitted solution in the shared task. We also provide the experiments and the hyperparameter tuning that lead to this result. Besides, we discuss and analyze the results by comparing all the models that we trained or tested to achieve a better score in a table design. Our model is ranked fifth out of 27 teams with an F1 score of 0.5985. It is worth mentioning that our model achieved the highest accuracy score of 0.7830
The ability of learning disentangled representations represents a major step for interpretable NLP systems as it allows latent linguistic features to be controlled. Most approaches to disentanglement rely on continuous variables, both for images and
text. We argue that despite being suitable for image datasets, continuous variables may not be ideal to model features of textual data, due to the fact that most generative factors in text are discrete. We propose a Variational Autoencoder based method which models language features as discrete variables and encourages independence between variables for learning disentangled representations. The proposed model outperforms continuous and discrete baselines on several qualitative and quantitative benchmarks for disentanglement as well as on a text style transfer downstream application.
Sarcasm detection is one of the top challenging tasks in text classification, particularly for informal Arabic with high syntactic and semantic ambiguity. We propose two systems that harness knowledge from multiple tasks to improve the performance of
the classifier. This paper presents the systems used in our participation to the two sub-tasks of the Sixth Arabic Natural Language Processing Workshop (WANLP); Sarcasm Detection and Sentiment Analysis. Our methodology is driven by the hypothesis that tweets with negative sentiment and tweets with sarcasm content are more likely to have offensive content, thus, fine-tuning the classification model using large corpus of offensive language, supports the learning process of the model to effectively detect sentiment and sarcasm contents. Results demonstrate the effectiveness of our approach for sarcasm detection task over sentiment analysis task.
Exploring aspects of sentential meaning that are implicit or underspecified in context is important for sentence understanding. In this paper, we propose a novel architecture based on mentions for revision requirements detection. The goal is to impro
ve understandability, addressing some types of revisions, especially for the Replaced Pronoun type. We show that our mention-based system can predict replaced pronouns well on the mention-level. However, our combined sentence-level system does not improve on the sentence-level BERT baseline. We also present additional contrastive systems, and show results for each type of edit.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
