Zur Parkplatzbelegungserkennung: Ein selbstüberwachter Ansatz

Zusammenfassung

Da städtische Gebiete expandieren, wird die automatische Überwachung von Parkplätzen für effiziente und nachhaltige Städte unerlässlich. Diese Arbeit schlägt einen selbstüberwachten Ansatz zur Erkennung der Belegung von Parkplätzen vor, der keine gekennzeichneten Stichproben vom Zielparkplatz erfordert. Aufbauend auf einem selbstüberwachten Transfer-Learning-Feinabstimmungsprotokoll besteht die vorgeschlagene Trainingsstrategie aus zwei selbstüberwachten Phasen: zunächst auf unmarkierten generischen Daten und dann auf unmarkierten zielspezifischen Daten, gefolgt von einer überwachten Feinabstimmung unter ausschließlicher Verwendung von Labels generischer Parkplätze. Wir übernehmen SimCLR mit einem ResNet-50-Encoder und evaluieren die Methode unter einem Leave-One-Out-Umgebungsprotokoll an drei öffentlichen Datensätzen: PKLot, CNRPark-EXT und PLds. Wir führen auch eine zweistufige Bereitstellungsstrategie ein, bei der zunächst ein Starkes Allgemeines Modell eingesetzt wird, gefolgt von einem Spezialisierten Modell, das unmarkierte Bilder, die während der ersten N Tage des Einsatzes gesammelt wurden, auf selbstüberwachte Weise integriert. Experimentelle Ergebnisse zeigen, dass das Starke Allgemeine Modell allein überwachte und selbstüberwachte Baselines übertrifft und eine durchschnittliche Genauigkeit von 97,2 % erreicht, die sich mit der vorgeschlagenen zweistufigen Strategie weiter auf 97,8 % verbessert. Diese Ergebnisse zeigen, dass selbstüberwachtes Lernen eine skalierbare und label-effiziente Lösung für die reale Überwachung der Parkplatzbelegung ermöglicht. Unsere trainierten Modelle und der Quellcode sind öffentlich unter https://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognition verfügbar.

English

As urban areas expand, automatic monitoring of parking lots becomes essential for efficient and sustainable cities. This work proposes a self-supervised approach for parking spot occupancy recognition that requires no labeled samples from the target parking lot. Building upon a self-supervised transfer learning fine-tuning protocol, the proposed training strategy consists of two self-supervised stages: first on unlabeled generic data and then on unlabeled target-specific data, followed by supervised fine-tuning using only generic parking lot labels. We adopt SimCLR with a ResNet-50 encoder and evaluate the method under a leave-one-out cross-environment protocol on three public datasets: PKLot, CNRPark-EXT, and PLds. We also introduce a two-stage deployment strategy in which a Strong General Model is initially deployed, followed by a Specialized Model that incorporates unlabeled images collected during the first N days of deployment in a self-supervised manner. Experimental results show that the Strong General Model alone outperforms supervised and self-supervised baselines, achieving an average accuracy of 97.2%, which further improves to 97.8% with the proposed two-stage strategy. These results demonstrate that self-supervised learning enables a scalable and labelefficient solution for real-world parking occupancy monitoring. Our trained models and source code are publicly available at https://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognition.