Resumen

La tecnología de aprendizaje profundo se ha utilizado para desarrollar sistemas mejorados de reconocimiento de matrículas (LPR). En concreto, las redes neuronales profundas han aportado mejoras significativas al sistema LPR. Sin embargo, las redes neuronales profundas son vulnerables a los ejemplos adversos. En el sistema LPR existente, los ejemplos adversos estudian puntos específicos que son fácilmente identificables por los humanos o requieren retroalimentación humana. En este trabajo, proponemos un método para generar ejemplos adversos en la matrícula, que no tiene retroalimentación humana y es difícil de identificar por los humanos. En el método propuesto, se añade ruido adversarial sólo a la matrícula entre toda la imagen para crear un ejemplo adversarial que sea reconocido erróneamente por el sistema LPR sin ser identificado por humanos. Los experimentos se realizaron utilizando el conjunto de datos baza silka, y se utilizó TensorFlow como biblioteca de aprendizaje automático. Cuando epsilon es 0,6 para el primer tipo, y alfa y la iteración del segundo tipo son 0,4 y 1000, respectivamente, los ejemplos adversos generados por los métodos de generación del primer y segundo tipo se reducen a 20 nd 15 en el sistema LPR.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:sistema lpr, ejemplos adversariales, redes neuronales profundas, humanos, retroalimentación humana, matrícula, reconocimiento mejorado de matrículas, métodos de segunda generación, conjunto de datos baza silka, método
• Keywords:lpr system, adversarial examples, deep neural networks, humans, human feedback, license plate, improved license plate recognition, second type generation methods, baza silka dataset, method