論文の概要: Toward Parking Spot Occupancy Recognition: A Self-Supervised Approach

• arxiv url: http://arxiv.org/abs/2606.20886v1
• Date: Thu, 18 Jun 2026 19:27:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:16:40.943912
• Title: Toward Parking Spot Occupancy Recognition: A Self-Supervised Approach
• Title（参考訳）: パーキングスポットの職業認識に向けて : 自己監督型アプローチ
• Authors: Luan Marko Kujavski, Rayson Laroca, Paulo Lisboa de Almeida,
• Abstract要約: 駐車場利用者認識のための自己監督型アプローチでは、対象駐車場からのラベル付きサンプルは不要である。 我々はResNet-50エンコーダでSimCLRを採用し、その手法をワンアウトのクロス環境プロトコルで評価する。 実験結果から、Strong General Modelだけでは教師付きベースラインや自己教師付きベースラインよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.8220217498103312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 都市部が拡大するにつれて、駐車場の自動監視は効率的で持続可能な都市にとって欠かせないものとなっている。 本研究は,対象駐車場からのラベル付きサンプルを不要としたパーキングスポット占有認識のための自己教師型アプローチを提案する。 提案手法は,まずラベルなし汎用データから,次いでラベルなし対象データから,続いて汎用駐車場ラベルのみを用いて教師付き微調整を行う。 我々は、ResNet-50エンコーダでSimCLRを採用し、PKLot、CNRPark-EXT、PLdsという3つの公開データセット上で、そのメソッドの評価を行う。 また、Strong General Modelが最初にデプロイされる2段階のデプロイメント戦略を導入し、それに続いて、最初のN日間に収集されたラベルなしのイメージを自己管理的に組み込んだSpecialized Modelを紹介した。 実験の結果、Strong General Modelだけでは教師付きベースラインと自己監督ベースラインを上回り、平均精度は97.2%に達し、提案された2段階戦略により97.8%に向上した。 これらの結果から,自己教師型学習は,実環境における駐車状況のモニタリングにスケーラブルでラベル効率のよいソリューションを実現することが示唆された。 トレーニングされたモデルとソースコードはhttps://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognitionで公開されています。

関連論文リスト

• Zero-Shot Cross-City Generalization in End-to-End Autonomous Driving: Self-Supervised versus Supervised Representations [9.18632648031395]
  エンド・ツー・エンド軌道計画におけるゼロショット・クロスシティの一般化について検討する。 自己監督型視覚表現は都市間の移動を改善する。 これらの結果は、エンド・ツー・エンドの自動運転システムを評価するために必要なテストとしてゼロショットの地理的移動を確立する。
  論文  参考訳（メタデータ） (2026-03-12T01:19:32Z)
• ParkFormer: A Transformer-Based Parking Policy with Goal Embedding and Pedestrian-Aware Control [8.713707183974304]
  自動駐車のためのトランスフォーマーベースのエンドツーエンドフレームワークは、専門家によるデモンストレーションから学ぶ。 ネットワークは、入力されたサラウンドビューカメライメージ、ゴールポイント表現、エゴ車両の動き、および歩行者軌道として捉えている。 実験の結果, 平均位置誤差は0.21m, 方位誤差は0.41度, 96.57%であった。
  論文  参考訳（メタデータ） (2025-06-20T09:14:09Z)
• Self-Updating Vehicle Monitoring Framework Employing Distributed Acoustic Sensing towards Real-World Settings [5.306938463648908]
  本稿では,都市環境に合わせて,リアルタイムな半教師付き車両監視フレームワークを提案する。 初期トレーニングにはわずかな手動ラベルしか必要とせず、モデル改善のためにラベル付けされていないデータを活用する。 車両の走行速度の異なる1台の車両を追尾するために、車両の軌跡形状を取り入れた新しい先行損失を提案する。
  論文  参考訳（メタデータ） (2024-09-16T13:10:58Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• FedDriveScore: Federated Scoring Driving Behavior with a Mixture of Metric Distributions [6.195950768412144]
  集中型学習に代わるプライバシフレンドリな代替手段として,自動車とクラウドのコラボレーションが提案されている。 このフレームワークは、グローバルスコアリングモデルの性能劣化を低減するために、一貫したスコアリング手法のフェデレーションバージョンを含む。
  論文  参考訳（メタデータ） (2024-01-13T02:15:41Z)
• 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)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• Learning Self-Regularized Adversarial Views for Self-Supervised Vision Transformers [105.89564687747134]
  本稿では,自己監督型視覚変換器のビューを学習するための自己正規化自動拡張手法を提案する。 まず、ビューとネットワークパラメータを同時に学習することで、AutoViewの検索コストをほぼゼロに削減する。 また、自己教師型学習のための強化政策探索空間も提示する。
  論文  参考訳（メタデータ） (2022-10-16T06:20:44Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)

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。