| Texto completo | |
| Autor(es): |
Blanger, Leonardo
;
Hirata, Nina S. T.
;
IEEE
Número total de Autores: 3
|
| Tipo de documento: | Artigo Científico |
| Fonte: | 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP); v. N/A, p. 5-pg., 2019-01-01. |
| Resumo | |
In this work, we employ deep learning models for detecting QR Codes in natural scenes. A series of different model configurations are evaluated in terms of Average Precision, and an architecture modification that allows detection aided by object subparts annotations is proposed. This modification is implemented in our best scoring model, which is compared to a traditional technique, achieving a substantial improvement in the considered metrics. The dataset used in our evaluation, with bounding box annotations for both QR Codes and their Finder Patterns (FIPs), will be made publicly available. This dataset is significantly bigger than known available options at the moment, so we expect it to provide a common benchmark tool for QR Code detection in natural scenes. (AU) | |
| Processo FAPESP: | 17/25835-9 - Interpretação de imagens e de modelos de aprendizado profundos |
| Beneficiário: | Nina Sumiko Tomita Hirata |
| Modalidade de apoio: | Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE |
| Processo FAPESP: | 18/00390-7 - Detecção de códigos QR usando modelos de aprendizado profundo |
| Beneficiário: | Leonardo Blanger |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Processo FAPESP: | 15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento |
| Beneficiário: | Roberto Marcondes Cesar Junior |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |