論文の概要: Parking Analytics Framework using Deep Learning

• arxiv url: http://arxiv.org/abs/2203.07792v1
• Date: Tue, 15 Mar 2022 11:16:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 14:48:48.810672
• Title: Parking Analytics Framework using Deep Learning
• Title（参考訳）: ディープラーニングを用いたパーキング分析フレームワーク
• Authors: Bilel Benjdira, Anis Koubaa, Wadii Boulila and Adel Ammar
• Abstract要約: 本稿では,自動車の駐車状況をリアルタイムで把握し,その利用状況を分析する手法を提案する。 このソリューションは、画像解析とディープラーニング技術の組み合わせに基づいている。
• 参考スコア（独自算出の注目度）: 1.4146420810689422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the number of vehicles continuously increasing, parking monitoring and analysis are becoming a substantial feature of modern cities. In this study, we present a methodology to monitor car parking areas and to analyze their occupancy in real-time. The solution is based on a combination between image analysis and deep learning techniques. It incorporates four building blocks put inside a pipeline: vehicle detection, vehicle tracking, manual annotation of parking slots, and occupancy estimation using the Ray Tracing algorithm. The aim of this methodology is to optimize the use of parking areas and to reduce the time wasted by daily drivers to find the right parking slot for their cars. Also, it helps to better manage the space of the parking areas and to discover misuse cases. A demonstration of the provided solution is shown in the following video link: https://www.youtube.com/watch?v=KbAt8zT14Tc.
• Abstract（参考訳）: 車両の数が継続的に増加し、駐車監視と分析が現代の都市で重要な特徴となっている。 本研究では,カーパーキングエリアをモニタし,その居住状況をリアルタイムに分析する手法を提案する。 このソリューションは、画像分析とディープラーニングの技術の組み合わせに基づいている。 パイプライン内に4つのビルディングブロック(車両検出、車両追跡、駐車スロットの手動アノテーション、レイトレーシングアルゴリズムによる占有推定)が組み込まれている。 本手法の目的は、駐車スペースの利用を最適化し、運転者が車に最適な駐車スペースを見つけるのに要する時間を短縮することである。 また、駐車場のスペースをより良く管理し、誤用事例を発見するのに役立ちます。 提供されたソリューションのデモは、以下のビデオリンクで示される。 v=KbAt8zT14Tc。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• 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)
• Vehicle Occurrence-based Parking Space Detection [5.084185653371259]
  本研究では、駐車場の画像列を受信し、検出された駐車場を識別する座標のリストを返す自動駐車空間検出方法を提案する。 PKLotとCNRPark-EXTの駐車場データから12の異なる部分集合を用いた結果、AP25のスコアは95.60%、AP50のスコアは79.90%に達した。
  論文  参考訳（メタデータ） (2023-06-16T16:22:45Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot [10.101500923075633]
  我々はロバストなセマンティックな特徴を利用して地図を構築し、駐車場で車両をローカライズする。 我々は4つのサラウンドビューカメラを用いて知覚範囲を拡大する。 我々は,システムの精度とリコールを分析し,実実験で他の手法と比較する。
  論文  参考訳（メタデータ） (2020-07-03T17:02:46Z)
• 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)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)
• Trained Trajectory based Automated Parking System using Visual SLAM on Surround View Cameras [0.0]
  我々は、訓練された軌道自動駐車システムの使用事例、設計、実装について論じる。 提案システムは商用車両に展開し, 消費者アプリケーションについて解説する。
  論文  参考訳（メタデータ） (2020-01-07T16:43:27Z)

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。