Rumo ao reconhecimento de ocupação de vagas de estacionamento: uma abordagem auto-supervisionada

Resumo

À medida que as áreas urbanas se expandem, o monitoramento automático de estacionamentos torna-se essencial para cidades eficientes e sustentáveis. Este trabalho propõe uma abordagem auto-supervisionada para reconhecimento de ocupação de vagas de estacionamento que não requer amostras rotuladas do estacionamento alvo. Com base em um protocolo de ajuste fino de aprendizagem por transferência auto-supervisionada, a estratégia de treinamento proposta consiste em duas etapas auto-supervisionadas: primeiro em dados genéricos não rotulados e depois em dados específicos do alvo não rotulados, seguidas de ajuste fino supervisionado utilizando apenas rótulos de estacionamentos genéricos. Adotamos o SimCLR com um codificador ResNet-50 e avaliamos o método sob um protocolo de validação cruzada leave-one-out por ambiente em três conjuntos de dados públicos: PKLot, CNRPark-EXT e PLds. Também introduzimos uma estratégia de implantação em dois estágios, na qual um Modelo Geral Forte é inicialmente implantado, seguido por um Modelo Especializado que incorpora imagens não rotuladas coletadas durante os primeiros N dias de implantação de forma auto-supervisionada. Resultados experimentais mostram que apenas o Modelo Geral Forte supera as linhas de base supervisionadas e auto-supervisionadas, alcançando uma acurácia média de 97,2%, que melhora ainda mais para 97,8% com a estratégia de dois estágios proposta. Esses resultados demonstram que a aprendizagem auto-supervisionada possibilita uma solução escalável e eficiente em termos de rótulos para o monitoramento de ocupação de estacionamentos em cenários reais. Nossos modelos treinados e código-fonte estão disponíveis publicamente em 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.