Jun, 2023

停车场占用检测中深度学习方法的修订

PDF
TL;DR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。
parking guidance systemsalgorithmneural network classifiersoccupancy detection algorithmsefficientnet architecture
发现论文，激发创造
  • 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

  • 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

  • 面向智能相机停车系统的无误深度占用检测器

    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

  • 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

  • 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

  • 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

  • 基于计算机视觉的停车场管理在公共数据集上的系统综述

    本研究通过审视后接着综合评估公开的图像数据集，对基于计算机视觉的停车场管理方法进行了系统全面的评估，发现研究领域中存在着需要进一步研究的空白和方法，例如需独立于数据集的方法和适用于停车位的自主检测方法，同时也揭示了目前大多数研究存在的问题，如忽略连续图像中相同汽车的出现以及缺乏图像数据集的多样性，例如夜晚和雪天拍摄的图像。

    Mar, 2022

  • 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

  • 地下停车场可靠安全的占据栅格预测研究

    本研究通过使用 CARLA 的仿真平台，创建了基于实际情况的停车场模型以收集数据，然后用占据格网络处理该数据以预测车辆路径和障碍物，从而增强自主驾驶系统在复杂室内环境的感知能力，最终提高自主停车操作的安全性。研究结果表明，所提出的策略成功地提升了自主车辆在这些复杂室内环境中的性能，为未来进一步的发展和应用奠定了基础，并弥补了关于室内停车环境的研究不足，成为一个重要的参考点。

    Jul, 2024

  • 利用 Transformer 模型融合多源交通需求数据进行城市停车预测

    基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

    May, 2024