Sep, 2023

深度单模型与集成模型：加速部署停车监控系统的洞察

HTML
PDF
TL;DR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。
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

  • 面向城市停车位可用性预测的半监督分层递归图神经网络

    本研究提出了一种半监督分层循环图神经网络（SHARE），用于预测城市停车位，该模型采用层次图卷积结构来建模停车场之间的非欧几里德空间自相关性，并采用循环神经网络来整合停车场的动态时间依赖性。经过两个真实世界数据集的实验证明，SHARE的预测性能优于七种最先进的基线。

    Nov, 2019

  • 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

  • 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

  • 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

  • 基于跨领域数据的新加坡停车位可用性预测：一种基于数据驱动的方法和新数据集

    通过新数据集和深度学习框架，该研究旨在集体预测未来的新加坡停车可用性，以减少交通拥堵问题。

    May, 2024

  • 基于实时停车服务能力的大规模城市停车预测的高效方法

    本研究针对城市停车难题，提出了一种基于图注意机制和图简化技术的创新框架，以提升大规模城市停车预测的准确性和效率。通过实时评估停车场的服务能力，该方法显著提高了预测结果的准确度和效率，实验表明，相较于传统模型，本框架具有更为显著的优势，对解决复杂城市停车问题具有重要潜力。

    Oct, 2024

  • 使用深度神经网络量化停车停留时间

    本研究针对在智能城市中自动识别停车驻留时间的挑战，提出了一种结合两种深度神经网络的方法。该方法通过分类网络判断停车位状态，并利用孪生网络验证车辆的连续性，实现高达75%的完美预测，尽管实际应用中达到了49%的预测准确率，反映了分类器质量对结果的影响。

    Oct, 2024

  • 基于像素级ROI选择的智能停车车辆检测研究：YOLOv8, YOLOv9, YOLOv10和YOLOv11的应用

    本研究解决了传统智能停车管理系统在车辆检测中的局限性，提出了一种新颖的方法，结合最新的YOLO模型与像素级ROI选择。研究结果显示，该系统在定制数据集上实现了99.68%的准确率，提供了一种高效且经济的智能停车解决方案，确保了车辆检测的精确性并保护了数据隐私。

    Dec, 2024