深度单一模型与集成模型：面向停车监控系统快速部署的启示
计算机视觉与模式识别
2023-09-29 v1 机器学习
摘要
在高密度城市中心寻找可用停车位对驾驶员而言是一项令人焦虑的任务，而能够提前获知最近可用停车位的系统可缓解这一问题。为此，基于图像的系统的安装与维护所需物理基础设施少于其他基于传感器的方案（如超声波传感器），因而具有成本优势。尽管深度学习近期取得进展，部署智能停车监控仍具挑战，因为多数方法需收集并标注大量数据，这一过程费力且耗时。本研究旨在揭示构建一个全局框架所面临的挑战：该框架使用公开标注的停车场图像进行训练，能在多样场景下准确运行，使停车位监控成为可随时部署于新环境的即用系统。通过涉及不同数据集与深度学习架构（包括融合策略与集成方法）的详尽实验，我们发现，在多样化数据集上训练的模型无需在目标停车场进行数据标注与模型训练，即可达到95%的准确率。
引用
@article{arxiv.2309.16495,
title = {Deep Single Models vs. Ensembles: Insights for a Fast Deployment of Parking Monitoring Systems},
author = {Andre Gustavo Hochuli and Jean Paul Barddal and Gillian Cezar Palhano and Leonardo Matheus Mendes and Paulo Ricardo Lisboa de Almeida},
journal= {arXiv preprint arXiv:2309.16495},
year = {2023}
}
备注
An improved version of this manuscript was submitted to IEEE ICMLA 2023 (Dec/23)