Deep Single Models vs. Ensembles: Insights for a Fast Deployment of Parking Monitoring Systems

要約

高密度の都市中心部で空いている駐車スペースを探すのは、ドライバーにとってストレスのかかる作業ですが、最寄りの利用可能な駐車スペースを事前に知っているシステムによって軽減できます。
この目的のために、画像ベースのシステムは、他のセンサーベースの代替手段 (超音波センサーなど) に比べてコスト面での利点があり、設置やメンテナンスに必要な物理インフラストラクチャが少なくなります。
最近のディープラーニングの進歩にも関わらず、ほとんどのアプローチには多大な労力と時間がかかる大量のデータの収集とラベル付けが含まれるため、インテリジェントな駐車監視の導入は依然として課題です。
私たちの研究の目的は、公開されているラベル付き駐車場の画像を使用してトレーニングされたグローバル フレームワークを作成する際の課題を明らかにすることです。このフレームワークは、さまざまなシナリオにわたって正確に機能し、新しい環境に展開できるすぐに使用できるシステムとして駐車スペースの監視を可能にします。
さまざまなデータセットと、フュージョン戦略やアンサンブル手法を含む深層学習アーキテクチャを含む徹底的な実験を通じて、さまざまなデータセットでトレーニングされたモデルは、対象の駐車場でのデータ アノテーションやモデル トレーニングの負担なしに 95% の精度を達成できることがわかりました。

要約(オリジナル)

Searching for available parking spots in high-density urban centers is a stressful task for drivers that can be mitigated by systems that know in advance the nearest parking space available. To this end, image-based systems offer cost advantages over other sensor-based alternatives (e.g., ultrasonic sensors), requiring less physical infrastructure for installation and maintenance. Despite recent deep learning advances, deploying intelligent parking monitoring is still a challenge since most approaches involve collecting and labeling large amounts of data, which is laborious and time-consuming. Our study aims to uncover the challenges in creating a global framework, trained using publicly available labeled parking lot images, that performs accurately across diverse scenarios, enabling the parking space monitoring as a ready-to-use system to deploy in a new environment. Through exhaustive experiments involving different datasets and deep learning architectures, including fusion strategies and ensemble methods, we found that models trained on diverse datasets can achieve 95\% accuracy without the burden of data annotation and model training on the target parking lot

arxiv情報

提供元, 利用サービス

arxiv.jp, Google