Hacia el Reconocimiento de Ocupación de Plazas de Estacionamiento: Un Enfoque Autosupervisado

Resumen

A medida que las áreas urbanas se expanden, la monitorización automática de estacionamientos se vuelve esencial para ciudades eficientes y sostenibles. Este trabajo propone un enfoque autosupervisado para el reconocimiento de ocupación de plazas de estacionamiento que no requiere muestras etiquetadas del estacionamiento objetivo. Basándose en un protocolo de ajuste fino por transferencia de aprendizaje autosupervisado, la estrategia de entrenamiento propuesta consta de dos etapas autosupervisadas: primero con datos genéricos no etiquetados y luego con datos específicos del objetivo no etiquetados, seguidas de un ajuste fino supervisado utilizando únicamente etiquetas de estacionamientos genéricos. Adoptamos SimCLR con un codificador ResNet-50 y evaluamos el método bajo un protocolo de validación cruzada de dejar-uno-fuera por entorno en tres conjuntos de datos públicos: PKLot, CNRPark-EXT y PLds. También introducimos una estrategia de despliegue en dos etapas en la que inicialmente se implementa un Modelo General Fuerte, seguido de un Modelo Especializado que incorpora imágenes no etiquetadas recolectadas durante los primeros N días de despliegue de manera autosupervisada. Los resultados experimentales muestran que el Modelo General Fuerte por sí solo supera a las líneas base supervisadas y autosupervisadas, logrando una precisión promedio del 97.2%, que mejora aún más al 97.8% con la estrategia de dos etapas propuesta. Estos resultados demuestran que el aprendizaje autosupervisado permite una solución escalable y eficiente en etiquetas para la monitorización de ocupación de estacionamientos en el mundo real. Nuestros modelos entrenados y código fuente están disponibles públicamente en https://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognition.

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.