論文の概要: Smart Parking Space Detection under Hazy conditions using Convolutional
Neural Networks: A Novel Approach
- arxiv url: http://arxiv.org/abs/2201.05858v1
- Date: Sat, 15 Jan 2022 14:15:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 14:25:36.347257
- Title: Smart Parking Space Detection under Hazy conditions using Convolutional
Neural Networks: A Novel Approach
- Title（参考訳）: 畳み込みニューラルネットワークを用いたヘイズ条件下でのスマートパーキング空間検出:新しいアプローチ
- Authors: Gaurav Satyanath, Jajati Keshari Sahoo and Rajendra Kumar Roul
- Abstract要約: 本稿では, 空き環境下での駐車スペース占有性能を向上させるデハジングネットワークの利用について検討する。
提案システムは既存のスマートパーキングシステムの一部として展開可能で、数百台のパーキングスペースを監視するために、限られた数のカメラが使用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Limited urban parking space combined with urbanization has necessitated the
development of smart parking systems that can communicate the availability of
parking slots to the end users. Towards this, various deep learning based
solutions using convolutional neural networks have been proposed for parking
space occupation detection. Though these approaches are robust to partial
obstructions and lighting conditions, their performance is found to degrade in
the presence of haze conditions. Looking in this direction, this paper
investigates the use of dehazing networks that improves the performance of
parking space occupancy classifier under hazy conditions. Additionally,
training procedures are proposed for dehazing networks to maximize the
performance of the system on both hazy and non-hazy conditions. The proposed
system is deployable as part of existing smart parking systems where limited
number of cameras are used to monitor hundreds of parking spaces. To validate
our approach, we have developed a custom hazy parking system dataset from
real-world task-driven test set of RESIDE-\b{eta} dataset. The proposed
approach is tested against existing state-of-the-art parking space detectors on
CNRPark-EXT and hazy parking system datasets. Experimental results indicate
that there is a significant accuracy improvement of the proposed approach on
the hazy parking system dataset.
- Abstract（参考訳）: 都市化と組み合わされた限られた都市駐車場空間は、エンドユーザに駐車スペースの可用性を伝えるスマート駐車場システムの開発を必要としている。
そこで, 畳み込みニューラルネットワークを用いた様々な深層学習型ソリューションが, 駐車スペースの占有検知のために提案されている。
これらのアプローチは部分的な障害物や照明条件に対して堅牢であるが、それらの性能はヘイズ条件の存在下で劣化する。
そこで,本稿では,駐車空間占有者分類器の性能を向上させるデヘイジングネットワークの利用について検討する。
また,非ヘイズ条件とヘイズ条件の両方でシステムの性能を最大化するために,デヘイズネットワークのためのトレーニング手順を提案する。
提案されたシステムは、数百台の駐車スペースを監視するために限られた数のカメラを使用する既存のスマート駐車システムの一部としてデプロイ可能である。
提案手法の有効性を検証するため,Reside-\b{eta}データセットの実際のタスク駆動テストセットから,独自のヘイズパーキングシステムデータセットを開発した。
提案手法は、CNRPark-EXTおよびハジーパーキングシステムデータセット上の既存の最先端の駐車スペース検出器に対して試験される。
実験結果から,hazy parking systemデータセットにおける提案手法の精度が大幅に向上したことが示唆された。
関連論文リスト
- Smart Camera Parking System With Auto Parking Spot Detection [1.0512475026060208]
PakStaと呼ばれる新しい手法で駐車場の状態を自動識別する。
本手法はPakLocのオブジェクト検出器を用いて,ビデオフレーム内の駐車場の占有状況を同時に判定する。
提案手法がPKLotデータセットに与える影響は, 人的労働力の94.25%を大幅に削減する結果となった。
論文 参考訳（メタデータ） (2024-07-07T19:00:11Z) - Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。
正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。
本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
論文 参考訳（メタデータ） (2024-01-23T17:14:01Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Deep Single Models vs. Ensembles: Insights for a Fast Deployment of
Parking Monitoring Systems [3.00363876980149]
多くのアプローチでは大量のデータの収集とラベル付けを行うため、インテリジェントな駐車監視は依然として課題である。
本研究の目的は,公用ラベル付き駐車場画像を用いて訓練されたグローバルなフレームワーク構築の課題を明らかにすることである。
その結果、多様なデータセットでトレーニングされたモデルは、目標駐車場におけるデータアノテーションやモデルトレーニングの負担を伴わずに95%の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-09-28T14:59:53Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - SHINE: Deep Learning-Based Accessible Parking Management System [1.7109513360384465]
自家用車の増加により、障害者の駐車スペースが乱用されている。
従来のライセンスプレート認識(LPR)システムは、そのような問題にリアルタイムで対処する上で非効率であることが証明されている。
我々は,深層学習に基づく物体検出アルゴリズムを用いて車両を検知するシステム,Shineを提案する。
論文 参考訳（メタデータ） (2023-02-02T02:46:52Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Automated Parking Space Detection Using Convolutional Neural Networks [0.30458514384586394]
We have used computer vision technique to infer the state of the parking lot because the data collected from the University of The Witwatersrand。
本稿では,CaffeとNvidia DiGITSフレームワークを用いた畳み込みニューラルネットワーク(CNN)に基づくリアルタイム駐車空間分類手法を提案する。
論文 参考訳（メタデータ） (2021-06-14T08:30:38Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。