Naar herkenning van parkeerplaatsbezetting: een zelfgesuperviseerde benadering

Samenvatting

Naarmate stedelijke gebieden zich uitbreiden, wordt automatische monitoring van parkeerterreinen essentieel voor efficiënte en duurzame steden. Dit werk stelt een zelfgecontroleerde aanpak voor voor herkenning van parkeerplaatsbezetting die geen gelabelde monsters uit het doelparkeerterrein vereist. Voortbouwend op een zelfgecontroleerd protocol voor fijnafstemming via transfer learning, bestaat de voorgestelde trainingsstrategie uit twee zelfgecontroleerde fasen: eerst op ongelabelde algemene gegevens en vervolgens op ongelabelde doelspecifieke gegevens, gevolgd door gecontroleerde fijnafstemming met alleen algemene parkeerterreinlabels. We gebruiken SimCLR met een ResNet-50-encoder en evalueren de methode onder een leave-one-out cross-omgevingsprotocol op drie openbare datasets: PKLot, CNRPark-EXT en PLds. We introduceren ook een tweefasige implementatiestrategie waarbij eerst een Sterk Algemeen Model wordt ingezet, gevolgd door een Gespecialiseerd Model dat ongelabelde beelden verwerkt die tijdens de eerste N dagen van implementatie op een zelfgecontroleerde manier zijn verzameld. Experimentele resultaten tonen aan dat het Sterk Algemeen Model alleen al beter presteert dan gecontroleerde en zelfgecontroleerde basismethoden, met een gemiddelde nauwkeurigheid van 97,2%, die verder verbetert naar 97,8% met de voorgestelde tweefasige strategie. Deze resultaten laten zien dat zelfgecontroleerd leren een schaalbare en labelefficiënte oplossing mogelijk maakt voor real-time parkeerbezettingmonitoring. Onze getrainde modellen en broncode zijn openbaar beschikbaar op 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.