Révision des méthodes d'apprentissage profond pour la détection de l'occupation des places de stationnement

Les systèmes de guidage de stationnement sont récemment devenus une tendance populaire dans le cadre du paradigme de développement des villes intelligentes. La partie cruciale de ces systèmes est l'algorithme permettant aux conducteurs de rechercher des places de stationnement disponibles dans les zones d'intérêt. L'approche classique pour cette tâche repose sur l'application de classifieurs à base de réseaux neuronaux aux enregistrements caméra. Cependant, les systèmes existants montrent un manque de capacité de généralisation et des tests appropriés concernant des conditions visuelles spécifiques. Dans cette étude, nous évaluons exhaustivement les algorithmes d'état de l'art pour la détection d'occupation des parkings, comparons leur qualité prédictive avec celle des transformateurs visuels récemment émergents, et proposons une nouvelle chaîne de traitement basée sur l'architecture EfficientNet. Les expériences computationnelles réalisées ont démontré une amélioration des performances dans le cas de notre modèle, qui a été évalué sur 5 jeux de données différents.