车牌识别LPRNet

车牌识别是一项蛮有意思的任务。它的输入为图像——二维空间结构特征明显；输出为车牌号——序列化的数据。最直观的做法是将车牌图像按照字符位置分割，然后作为OCR任务处理。LPRNet (License Plate Recognition) 则另辟蹊径，使用一个卷积神经网络解决了这个问题。

LPRNet发表于2018年，作者Sergey Zherzdev等人将其主要贡献概括为3点：

1. LPRNet支持不定长车牌的端到端训练。
2. LPRNet没有使用循环神经网络。
3. 稳健，可以应对各种特殊场景。

LPRNet的基本模块参考了SqueezeNet Fire Blocks与Inception Blocks。每个卷积层后叠加ReLU与BatchNorm。

骨干网架构中，输入图像先经卷积层降采样，然后依次通过多个叠加的子模块，并穿插pooling、dropout等正则化层。最终的输出序列是不定长的，所以作者使用了CTC损失方案。

骨干网的输出还要经过一层全连接层来获取全局环境表征，并使用1×1卷积匹配输出的字符数量。

推演时有两种方案。一种是greedy search，输出每个位置的最大概率字符。另一种则是beam search，最大化全体输出的概率，并结合车牌模板给出最终结果。