Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda

CALEBE PEREIRA LEMOS

Use este identificador para citar ou linkar para este item: https://repositorio.ufms.br/handle/123456789/8651

Registro completo de metadados

Campo DC	Valor	Idioma
dc.creator	CALEBE PEREIRA LEMOS	-
dc.date.accessioned	2024-04-08T18:17:11Z	-
dc.date.available	2024-04-08T18:17:11Z	-
dc.date.issued	2024	pt_BR
dc.identifier.uri	https://repositorio.ufms.br/handle/123456789/8651	-
dc.description.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).	-
dc.language.iso	pt_BR	pt_BR
dc.publisher	Fundação Universidade Federal de Mato Grosso do Sul	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Classificação de imagens, aprendizagem profunda, redes neurais convolucionais.	-
dc.title	Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda	pt_BR
dc.type	Dissertação	pt_BR
dc.contributor.advisor1	Wesley Nunes Goncalves	-
dc.description.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).	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.initials	UFMS	pt_BR
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

Mostrar registro simples do item Visualizar estatísticas