车牌检测和识别，很久没关注了。作者提出了一个一体化的深度网络，同时进行车牌的检测和识别，在识别时不需要字符分割，而是使用带有CTC的RNN网络，具体的实现细节在论文的参考论文【14】中。
模型首先使用卷积层应用到输入图像，之后提取车牌proposals，接下来使用RoI池化层和MLP进行车牌检测和bbox回归，同时使用带有CTC的RNN进行牌照识别，网络的结构如图1所示：
车牌检测网络：
车牌检测判断提供的RoIs是否为车牌，两个fc层加一个dropout层将特征图转化为向量，编码的特征用于车牌打分和bbox回归。
车牌识别网络：
为了避免进行字符分割，将车牌识别作为序列标记问题，带有CTC损失的双向RNN（BRNN），用于标记序列特征，如图2所示：
对于RoI池化后的特征，先经过两个卷积层，两个卷积层之间有一个矩形池化层，这对于识别窄字符有效，这些操作将车牌区域特征变换为序列
BRNN应用到V，两个相互分离的RNN，其中一个前向处理特征序列，另外一个后向处理序列。两个隐含的状态级联一起，输入具有37个输出的线性变换中。接下来是Softmax层，将37个输出转换到概率，对应26个字母，10个数字及一个非字符类的概率。经过BRNN编码，特征序列转换到与L具有相同长度的概率估计
CTC层被用来做序列解码，通过BRNN的输出序列寻找具有最大概率的近似最优路径，即，
整个检测和识别网络多任务损失为：
实验结果