論文の概要: Revising deep learning methods in parking lot occupancy detection
- arxiv url: http://arxiv.org/abs/2306.04288v3
- Date: Mon, 12 Feb 2024 11:49:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 00:54:58.317628
- Title: Revising deep learning methods in parking lot occupancy detection
- Title(参考訳): 駐車場入居検知における深層学習手法の改訂
- Authors: Anastasia Martynova, Mikhail Kuznetsov, Vadim Porvatov, Vladislav
Tishin, Andrey Kuznetsov, Natalia Semenova, Ksenia Kuznetsova
- Abstract要約: 駐車場案内システムは近年,スマートシティの発展パラダイムの一部として人気が高まっている。
本研究では,現在最先端の駐車場占有率検出アルゴリズムを広範囲に評価する。
我々は,その予測品質を最近登場したビジョントランスフォーマーと比較し,EfficientNetアーキテクチャに基づく新しいパイプラインを提案する。
- 参考スコア(独自算出の注目度): 2.682859657520006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parking guidance systems have recently become a popular trend as a part of
the smart cities' paradigm of development. The crucial part of such systems is
the algorithm allowing drivers to search for available parking lots across
regions of interest. The classic approach to this task is based on the
application of neural network classifiers to camera records. However, existing
systems demonstrate a lack of generalization ability and appropriate testing
regarding specific visual conditions. In this study, we extensively evaluate
state-of-the-art parking lot occupancy detection algorithms, compare their
prediction quality with the recently emerged vision transformers, and propose a
new pipeline based on EfficientNet architecture. Performed computational
experiments have demonstrated the performance increase in the case of our
model, which was evaluated on 5 different datasets.
- Abstract(参考訳): 駐車場案内システムは近年,スマートシティの発展パラダイムの一部として人気が高まっている。
このようなシステムの重要な部分は、ドライバーが関心のある地域をまたいで利用可能な駐車場を検索できるアルゴリズムである。
このタスクの古典的なアプローチは、ニューラルネットワーク分類器のカメラレコードへの応用に基づいている。
しかし、既存のシステムは、特定の視覚条件に関する一般化能力や適切なテストの欠如を示している。
本研究では、現在最先端の駐車場占有率検出アルゴリズムを広く評価し、その予測品質を最近登場した視覚変換器と比較し、EfficientNetアーキテクチャに基づく新しいパイプラインを提案する。
性能計算実験により, 5つの異なるデータセットで評価したモデルの場合, 性能が向上することを示した。
関連論文リスト
- Neural Networks for Vehicle Routing Problem [0.0]
ルート最適化はニューラルネットワークの新たな課題と見なすことができる。
機械学習の最近の進歩は、複雑な問題に対処するための新しいツールセットを提供する。
ニューラルネットワークを応用する主な領域は、分類と回帰の領域である。
論文 参考訳(メタデータ) (2024-09-17T15:45:30Z) - Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
本稿では,レーンレベルの交通予測における既存研究を幅広く分析し,分類する。
グラフ構造と予測ネットワークに基づくシンプルなベースラインモデルであるGraphMLPを導入している。
既存の研究では公開されていないコードを複製し、有効性、効率、適用性の観点から様々なモデルを評価しました。
論文 参考訳(メタデータ) (2024-03-22T04:21:40Z) - 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) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Vision Transformers and YoloV5 based Driver Drowsiness Detection
Framework [0.0]
本稿では,視覚変換器とヨーロV5アーキテクチャをベースとした,ドライバの眠気認識のための新しいフレームワークを提案する。
関心領域抽出を目的とした顔抽出のためのヨロV5事前学習アーキテクチャを提案する。
さらなる評価のために、提案されたフレームワークは、様々な光環境における39人の参加者のカスタムデータセットでテストされ、95.5%の精度を達成した。
論文 参考訳(メタデータ) (2022-09-03T11:37:41Z) - A Systematic Review on Computer Vision-Based Parking Lot Management
Applied on Public Datasets [5.379463265037841]
我々は、駐車場管理のためのコンピュータビジョンベースの手法をテストするために構築された、公開可能な堅牢な画像データセットを調査し、比較した。
文献レビューは、さらなる研究を必要とする関連するギャップを特定した。
論文 参考訳(メタデータ) (2022-03-12T15:35:29Z) - 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) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳(メタデータ) (2021-03-08T05:34:05Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳(メタデータ) (2021-01-17T17:20:31Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳(メタデータ) (2020-03-06T19:00:04Z)
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。