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。

Jun, 2023

本文详细讨论了一个商用自动停车系统的系统性视图，并且介绍了如何结合计算机视觉算法来实现 3D 重建，停车位识别和车辆 / 行人检测等功能，以解决自动泊车场景下的一系列问题。同时，本文强调了功能安全和计算机视觉的重要性。

Apr, 2021

通过在公共场所收集和标记大量停车场图像，使用深度学习方法训练具有融合策略和集成方法的全球性框架，我们发现在不同情境中，这样的模型可以达到 95% 的准确率，从而实现无需数据标注和模型训练的停车场监控系统。

Sep, 2023

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

本研究通过对 AI，计算机视觉和自动驾驶领域进行综述，提出了本领域的问题，数据集和方法，分析了当前的研究状况和历史上最重要的文献，包括自动驾驶的认知，重构，运动估计，跟踪，场景理解和端到端学习，并分析了在 KITTI，MOT 和 Cityscapes 等数据集上的性能，讨论了该领域的挑战和未来方向。

Apr, 2017

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

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

本研究提出了一种名为 'SHINE' 的新系统，它使用基于深度学习的目标检测算法，授权使用卡，徽章或访问徽章，从而协调车辆、车牌和残疾徽章的识别，并与中央服务器进行身份验证，解决了韩国易受滥用的无障碍停车位管理问题，平均精度达 92.16%。

Feb, 2023

本文介绍了二 / 三维道路数据获取的传感系统（相机、激光扫描仪和微软 Kinect），并全面综述了用于道路坑洞检测的最先进计算机视觉算法，包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法，同时讨论了现有挑战和未来发展趋势。

Apr, 2022