FADACS：一种用于上下文感知泊车可用性感知的少样本对抗域适应架构
机器学习
2021-01-29 v2 计算机视觉与模式识别
系统与控制
信号处理
系统与控制
摘要
现有关于泊车可用性感知的研究主要依赖大量的上下文和历史信息。在实践中，此类信息的可用性是一个挑战，因为它需要持续收集传感信号。在本研究中，我们设计了一个用于泊车可用性感知的端到端迁移学习框架，以在泊车数据不足以输入数据饥渴模型的区域中预测泊车占用率。该框架克服了两个主要挑战：1）许多真实案例无法为大多数现有数据驱动模型提供足够数据；2）由于城市肌理和空间特征不同，难以融合传感器数据与异构上下文信息。我们的工作采用广泛使用的对抗域适应概念，通过利用具有相似特征的其他区域的数据，来预测缺乏丰富传感器区域的泊车占用率。在本文中，我们使用了来自两个不同城市（一个是市中心，另一个是沿海旅游小镇）传感器放置处的超过 3500 万条泊车数据记录。我们还利用了来自外部资源的异构时空上下文信息，包括天气和兴趣点。我们在不同案例中量化了所提框架的性能，并将其与现有数据驱动方法进行比较。结果表明，所提框架与现有最先进方法相当，并提供了一些关于泊车可用性预测的宝贵见解。
引用
@article{arxiv.2007.08551,
title = {FADACS: A Few-shot Adversarial Domain Adaptation Architecture for Context-Aware Parking Availability Sensing},
author = {Wei Shao and Sichen Zhao and Zhen Zhang and Shiyu Wang and Mohammad Saiedur Rahaman and Andy Song and Flora Dilys Salim},
journal= {arXiv preprint arXiv:2007.08551},
year = {2021}
}
备注
9 pages, 3 gifures, 7 tables, Revised version