論文の概要: Towards an Error-free Deep Occupancy Detector for Smart Camera Parking
System
- arxiv url: http://arxiv.org/abs/2208.08220v1
- Date: Wed, 17 Aug 2022 11:02:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 12:28:21.736633
- Title: Towards an Error-free Deep Occupancy Detector for Smart Camera Parking
System
- Title（参考訳）: スマートカメラ駐車システムのためのエラーフリー深部占有検知装置の開発
- Authors: Tung-Lam Duong, Van-Duc Le, Tien-Cuong Bui, and Hai-Thien To
- Abstract要約: 我々は,OcpDetと呼ばれる物体検出装置による自律的占有度を提供する,エンドツーエンドのスマートカメラ駐車システムを提案する。
我々の検出器はまた、トレーニングや空間知識といった対照的なモジュールからの有意義な情報も提供しています。
我々は、既存のPKLotデータセット上でOcpDetをベンチマークし、従来の分類ソリューションと比較して競合する結果を得た。
- 参考スコア（独自算出の注目度）: 0.26249027950824505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although the smart camera parking system concept has existed for decades, a
few approaches have fully addressed the system's scalability and reliability.
As the cornerstone of a smart parking system is the ability to detect
occupancy, traditional methods use the classification backbone to predict spots
from a manual labeled grid. This is time-consuming and loses the system's
scalability. Additionally, most of the approaches use deep learning models,
making them not error-free and not reliable at scale. Thus, we propose an
end-to-end smart camera parking system where we provide an autonomous detecting
occupancy by an object detector called OcpDet. Our detector also provides
meaningful information from contrastive modules: training and spatial
knowledge, which avert false detections during inference. We benchmark OcpDet
on the existing PKLot dataset and reach competitive results compared to
traditional classification solutions. We also introduce an additional SNU-SPS
dataset, in which we estimate the system performance from various views and
conduct system evaluation in parking assignment tasks. The result from our
dataset shows that our system is promising for real-world applications.
- Abstract（参考訳）: スマートカメラの駐車システムの概念は数十年間存在してきたが、いくつかのアプローチがシステムのスケーラビリティと信頼性に完全に対処している。
スマート駐車システムの基盤は、占有者を検出する能力であるので、従来の方法は、分類バックボーンを使用して、手動のラベル付きグリッドからスポットを予測する。
これは時間がかかり、システムのスケーラビリティを失う。
さらに、ほとんどのアプローチはディープラーニングモデルを使用しており、エラーなしではなく、大規模に信頼性がない。
そこで本研究では,OcpDetと呼ばれる物体検出装置による自律的位置検出を実現する,エンドツーエンドのスマートカメラ駐車システムを提案する。
我々の検出器はまた、トレーニングと空間知識という対照的なモジュールから有意義な情報を提供する。
我々は既存のpklotデータセットでocpdetをベンチマークし、従来の分類ソリューションと比較して競争力のある結果を得る。
また,様々な視点からシステム性能を推定し,駐車課題におけるシステム評価を行うsnu-spsデータセットも追加した。
データセットから得られた結果は,我々のシステムが現実世界のアプリケーションに対して有望であることを示している。
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) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Privacy-preserving Pedestrian Tracking using Distributed 3D LiDARs [0.2519906683279152]
重複しないビューの分散LiDARを用いたスマート環境における歩行者追跡のための新しいプライバシ保護システムを提案する。
このシステムは、LiDARデバイスを利用して、部分的に覆われたエリアの歩行者を追跡するように設計されている。
システムの堅牢性を高めるために、個人の動的モビリティパターンをモデル化し、適応するために確率論的アプローチを利用する。
論文 参考訳（メタデータ） (2023-03-17T12:08:47Z) - 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) - Multimodal Detection of Unknown Objects on Roads for Autonomous Driving [4.3310896118860445]
未知の物体を検出する新しいパイプラインを提案する。
我々は,最先端の美術品検出モデルを逐次的に組み合わせることで,ライダーとカメラのデータを利用する。
論文 参考訳（メタデータ） (2022-05-03T10:58:41Z) - A Quality Index Metric and Method for Online Self-Assessment of
Autonomous Vehicles Sensory Perception [164.93739293097605]
本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。
我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
論文 参考訳（メタデータ） (2022-03-04T22:16:50Z) - Smart Parking Space Detection under Hazy conditions using Convolutional
Neural Networks: A Novel Approach [0.0]
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。
論文 参考訳（メタデータ） (2022-01-15T14:15:46Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳（メタデータ） (2020-02-01T04:42:57Z)
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。