ECCVAug, 2022

面向智能相机停车系统的无误深度占用检测器

PDF
TL;DR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。
smart camera parking systemscalabilityoccupancy detectionobject detectorsnu-sps dataset
发现论文，激发创造
  • 停车场占用检测中深度学习方法的修订

    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

  • 基于车辆事件的停车位检测

    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

  • 基于视觉的自动停车位检测和占用分类

    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

  • 基于深度卷积神经网络的停车位空位指示系统

    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

  • 深度单模型与集成模型：加速部署停车监控系统的洞察

    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

  • 增强车辆入场和停车管理：用于效率和安全的深度学习解决方案

    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

  • 使用卷积神经网络实现自动停车位检测

    使用计算机视觉技术和卷积神经网络，实现了停车场空位实时分类和占用检测，准确度为 99％，结果表明该系统在不同停车场环境中具有很好的鲁棒性。

    Jun, 2021

  • 基于全景环视摄像系统的停车位分类

    基于鱼眼摄像头的围绕视野车位检测与分类研究，采用 YOLOv4 神经网络和新的多边形边界框模型进行电动车位、残疾人车位和普通车位的有效分类。

    Oct, 2023

  • 基于深度卷积网络的占据栅格地图目标检测和分类

    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

  • SHINE: 基于深度学习的无障碍停车管理系统

    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