本文提出了一种基于深度卷积神经网络的稳健检测算法，该算法被实现并测试于大型基准数据集以及已安装在停车场内的图像源，并开发了完全功能的系统，从服务器端图像分析到前端用户界面以证明该方法的实用性，其关键词包括停车管理系统、空位指示服务、视觉检测方法、深度卷积神经网络、图像分析。
Jun, 2016
该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于 EfficientNet 体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。
Jun, 2023
本文提出了一种自动停车位检测方法，使用实例分割来识别汽车并生成停车位的热图，结果表明该方法可以在 PKLot 和 CNRPark-EXT 停车场数据集的 12 个不同子集上实现高达 95.60％的 AP25 分数和高达 79.90％的 AP50 分数。
本文提出了一种轻量级设计结构的二进制卷积神经网络（BCFPL），该网络可用于低分辨率停车位图像的训练，并提供合理的识别结果。实验结果显示，BCFPL 在满足隐私要求的同时，具有低硬件要求和快速识别速度，因此在智能城市建设和自动驾驶领域具有应用潜力。
Apr, 2024
本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。
Oct, 2015
该研究提出了一种基于端到端智能摄像头的停车系统，通过一个名为 OcpDet 的对象检测器，自主发现停车位的占用情况，并在推理过程中通过对比模块提供有意义的信息，避免了误检测，经过 PKLot 数据集的基准测试，其结果与传统分类解决方案相当，同时引入了额外的 SNU-SPS 数据集，以各种视角评估系统性能和执行停车分配任务，结果显示我们的系统非常适合实际应用。
Aug, 2022
通过使用最先进的深度学习模型，我们自动化了车辆入口和停车的过程，确保车辆和人员已在组织中注册，提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配，增强了便利性、准确性和安全性。
Dec, 2023
本文提出了一种基于深度学习的级联结构，在自然场景图像中使用卷积神经网络（CNN）和循环神经网络（RNN）来检测和识别汽车车牌，具有高召回率、高精确度和无需分割的优点。
Jan, 2016
利用卷积神经网络和网格地图环境表示法，基于传感器数据检测并分类物体，实现了对自动驾驶车辆周围环境感知的精确处理。
May, 2018
该研究提出了一种完全基于图像输入的自动停车位检测和占用分类算法 (APSD-OC)，该算法通过在鸟瞰图上进行聚类来检测停车位，然后使用特定训练的 ResNet34 深度分类器对每个检测到的停车位进行占用或空置的分类。该方法在公开数据集 (PKLot 和 CNRPark+EXT) 上进行了广泛评估，显示出较高的停车位检测效率和对非法停车或经过车辆的稳健性。训练的分类器在停车位占用分类方面取得了较高的准确性。
Aug, 2023