Revidieren von Deep-Learning-Methoden in der Erkennung der Parkplatzbelegung

Parkleitsysteme sind kürzlich zu einem beliebten Trend im Rahmen des Paradigmas der Smart Cities geworden. Ein wesentlicher Bestandteil solcher Systeme ist der Algorithmus, der Fahrern ermöglicht, in Gebieten von Interesse nach freien Parkplätzen zu suchen. Der klassische Ansatz für diese Aufgabe basiert auf der Anwendung neuronaler Netzwerke als Klassifizierer auf Kamerasignalen. Bestehende Systeme zeigen jedoch ein Mangel an Generalisierungsfähigkeit und angemessenen Tests unter spezifischen visuellen Bedingungen. In dieser Studie bewerten wir umfassend die aktuellen Algorithmen zur Erkennung der Belegung von Parkplätzen, vergleichen deren Vorhersagegüte mit den neuerlich entwickelten Vision Transformers und schlagen einen neuen Prozess auf Basis der EfficientNet-Architektur vor. Die durchgeführten Rechenexperimente haben eine Leistungssteigerung unseres Modells nachgewiesen, das auf fünf verschiedenen Datensätzen evaluiert wurde.