К распознаванию занятости парковочных мест: подход на основе самообучения

Аннотация

По мере расширения городских территорий автоматический мониторинг парковок становится необходимым для эффективных и устойчивых городов. В данной работе предлагается самообучающийся подход для распознавания занятости парковочных мест, не требующий размеченных образцов с целевой парковки. Основываясь на протоколе самообучающейся тонкой настройки переноса обучения, предлагаемая стратегия обучения состоит из двух этапов самообучения: сначала на неразмеченных общих данных, а затем на неразмеченных данных, специфичных для целевого объекта, с последующей контролируемой тонкой настройкой с использованием только общих меток парковки. Мы применяем SimCLR с кодировщиком ResNet-50 и оцениваем метод в рамках протокола перекрестной проверки с исключением одного набора данных на трех общедоступных наборах данных: PKLot, CNRPark-EXT и PLds. Мы также вводим двухэтапную стратегию развертывания, при которой изначально развертывается Сильная Общая Модель, за которой следует Специализированная Модель, которая включает неразмеченные изображения, собранные в течение первых N дней развертывания, в самообучающемся режиме. Экспериментальные результаты показывают, что одна только Сильная Общая Модель превосходит контролируемые и самообучающиеся базовые линии, достигая средней точности 97,2%, которая дополнительно улучшается до 97,8% при использовании предложенной двухэтапной стратегии. Эти результаты демонстрируют, что самообучающееся обучение обеспечивает масштабируемое и эффективное с точки зрения разметки решение для мониторинга занятости парковок в реальных условиях. Наши обученные модели и исходный код общедоступны по адресу 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.