주차 공간 점유 인식을 향한 자기 지도 접근법

초록

도시 지역이 확장됨에 따라, 효율적이고 지속 가능한 도시를 위해 주차장의 자동 모니터링이 필수적이 되었다. 본 연구는 대상 주차장의 레이블링된 샘플 없이 주차 공간 점유 인식을 수행하는 자기 지도 학습 기반 접근법을 제안한다. 자기 지도 전이 학습 미세 조정 프로토콜을 기반으로, 제안된 훈련 전략은 두 단계의 자기 지도 학습으로 구성된다: 첫 번째는 레이블링되지 않은 일반 데이터에 대해, 두 번째는 레이블링되지 않은 대상 특화 데이터에 대해 수행되며, 이후 일반 주차장 레이블만을 사용한 지도 미세 조정이 이어진다. 우리는 ResNet-50 인코더를 갖춘 SimCLR을 채택하고, PKLot, CNRPark-EXT, PLds의 세 가지 공개 데이터셋에서 교차 환경 일대일(leave-one-out) 프로토콜 하에 방법을 평가한다. 또한, 초기에는 강력한 일반 모델(Strong General Model)을 배포하고, 이후 배포 첫 N일 동안 수집된 레이블링되지 않은 이미지를 자기 지도 방식으로 통합한 특화 모델(Specialized Model)로 이어지는 2단계 배포 전략을 도입한다. 실험 결과, 강력한 일반 모델 단독으로도 지도 학습 및 자기 지도 학습 기준선을 능가하여 평균 정확도 97.2%를 달성하였으며, 제안된 2단계 전략을 통해 97.8%로 추가 향상되었다. 이러한 결과는 자기 지도 학습이 실제 주차장 점유 모니터링을 위한 확장 가능하고 레이블 효율적인 솔루션을 가능하게 함을 보여준다. 훈련된 모델과 소스 코드는 https://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognition에서 공개적으로 제공된다.

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.