Vers la reconnaissance d’occupation des places de stationnement : une approche auto-supervisée

Résumé

À mesure que les zones urbaines s'étendent, la surveillance automatique des parkings devient essentielle pour des villes efficaces et durables. Ce travail propose une approche auto-supervisée pour la reconnaissance de l'occupation des places de stationnement, ne nécessitant aucun échantillon étiqueté provenant du parking cible. S'appuyant sur un protocole de réglage fin par apprentissage par transfert auto-supervisé, la stratégie d'entraînement proposée comprend deux étapes auto-supervisées : d'abord sur des données génériques non étiquetées, puis sur des données spécifiques à la cible non étiquetées, suivies d'un réglage fin supervisé utilisant uniquement les étiquettes de parkings génériques. Nous adoptons SimCLR avec un encodeur ResNet-50 et évaluons la méthode selon un protocole de validation croisée inter-environnements avec un retrait sur trois ensembles de données publics : PKLot, CNRPark-EXT et PLds. Nous introduisons également une stratégie de déploiement en deux étapes dans laquelle un Modèle Général Fort est initialement déployé, suivi d'un Modèle Spécialisé qui intègre de manière auto-supervisée des images non étiquetées collectées durant les N premiers jours de déploiement. Les résultats expérimentaux montrent que le Modèle Général Fort seul surpasse les références supervisées et auto-supervisées, atteignant une précision moyenne de 97,2 %, qui s'améliore encore à 97,8 % avec la stratégie en deux étapes proposée. Ces résultats démontrent que l'apprentissage auto-supervisé permet une solution évolutive et efficace en termes d'étiquetage pour la surveillance réelle de l'occupation des parkings. Nos modèles entraînés et notre code source sont disponibles publiquement à l'adresse 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.