Use este identificador para citar ou linkar para este item:
https://repositorio.ufms.br/handle/123456789/8651| Tipo: | Dissertação |
| Título: | Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda |
| Autor(es): | CALEBE PEREIRA LEMOS |
| Primeiro orientador: | Wesley Nunes Goncalves |
| Resumo: | A emissão proveniente de veículos automotores é uma das mais consideráveis para poluição atmosférica. Neste contexto, conhecer a disponibilidade de vagas de estacionamento desempenha um papel importante para redução da poluição do ar, pois o tempo de busca é menor. Além disso, esses sistemas podem contribuir para a melhoria da eficiência do tráfego, pois evitam que os motoristas circulem sem necessidade em busca de uma vaga. Entretanto, a automatização dessa tarefa apresenta desafios, principalmente relacionados com a captura da imagem com diferentes iluminações, estações climáticas e visão obstruída. Este trabalho tem como objetivo avaliar métodos recentes de aprendizagem profunda para classificação de vagas de estacionamento disponíveis a partir de imagens. Os resultados mostraram destaque para o Res2Net, com acurácia superior a 99% nos experimentos com o dataset público (CNR-Park+EXT) e 100% para o dataset construído (UFMS-Park). |
| Abstract: | The emission from motor vehicles is one of the most significant for atmospheric pollution. In this context, knowing the availability of parking spaces plays an important role in reducing air pollution, as the search time is shorter. In addition, these systems can contribute to improving traffic efficiency, as they prevent drivers from circulating unnecessarily in search of a parking space. However, automating this task presents challenges, mainly related to image capture with different lighting, weather seasons and obstructed view. This work aims to evaluate recent deep learning methods for classifying available parking spaces from images. The results highlighted Res2Net, with accuracy greater than 99% in experiments with the public dataset (CNR-Park+EXT) and 100% for the constructed dataset (UFMS-Park). |
| Palavras-chave: | Classificação de imagens, aprendizagem profunda, redes neurais convolucionais. |
| País: | Brasil |
| Editor: | Fundação Universidade Federal de Mato Grosso do Sul |
| Sigla da Instituição: | UFMS |
| Tipo de acesso: | Acesso Aberto |
| URI: | https://repositorio.ufms.br/handle/123456789/8651 |
| Data do documento: | 2024 |
| Aparece nas coleções: | Programa de Pós-graduação em Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| dissertacao.pdf | 15,53 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.