Towards an Error-free Deep Occupancy Detector for Smart Camera Parking System

要約

スマート カメラ パーキング システムのコンセプトは何十年も前から存在していましたが、システムのスケーラビリティと信頼性に完全に対応したアプローチがいくつかありました。
スマート パーキング システムの基礎は占有率を検出する機能であるため、従来の方法では分類バックボーンを使用して、手動でラベル付けされたグリッドからスポットを予測していました。
これには時間がかかり、システムのスケーラビリティが失われます。
さらに、ほとんどのアプローチは深層学習モデルを使用しているため、エラーがなく、大規模な信頼性がありません。
したがって、OcpDet と呼ばれるオブジェクト検出器による自律検出占有率を提供するエンド ツー エンドのスマート カメラ パーキング システムを提案します。
私たちの検出器は、推論中の誤検出を回避する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も意味のある情報を提供します。
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に到達します。
また、追加の SNU-SPS データセットを導入します。このデータセットでは、さまざまなビューからシステムのパフォーマンスを推定し、駐車場の割り当てタスクでシステムの評価を行います。
データセットの結果は、システムが実際のアプリケーションに有望であることを示しています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google