利用大规模数据集和半监督基线方法提升现实世界停车位检测的准确性

《IEEE Transactions on Intelligent Transportation Systems》:Advancing Real-World Parking Slot Detection With Large-Scale Dataset and Semi-Supervised Baseline

【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE Transactions on Intelligent Transportation Systems 8.4

编辑推荐:

  基于环境感知的停车位半监督检测方法研究,提出大规模多场景数据集CRPS-D及教师-学生模型驱动的SS-PSD算法,有效提升复杂场景下停车位检测精度。

  

摘要:

随着自动停车系统的发展,准确检测停车位变得越来越关键。本研究重点探讨了使用环绕视图摄像头进行停车位检测的方法,这类摄像头能够提供停车环境的全面俯视图。然而,现有的数据集在规模上存在局限性,并且其中包含的场景很少受到现实世界噪声(如光线、遮挡等)的干扰。此外,由于现实世界条件的复杂性,手动数据标注容易出现错误和遗漏,这大大增加了标注大规模数据集的成本。为了解决这些问题,我们首先构建了一个大规模的停车位检测数据集(命名为CRPS-D),该数据集涵盖了多种光照分布、不同的天气条件以及具有挑战性的停车位类型。与现有数据集相比,所提出的数据集规模更大,停车位数量更多,尤其是倾斜停车位的数量更多。此外,我们还开发了一种半监督的停车位检测基线方法(称为SS-PSD),通过利用未标注数据进一步提高检测性能。据我们所知,这是首个基于教师-学生模型的半监督停车位检测方法,该方法结合了置信度引导的掩码一致性和自适应特征扰动机制。实验结果表明,在提出的数据集和现有数据集上,SS-PSD的性能均优于现有的最先进技术(SoTA)解决方案。特别是当未标注数据量越大时,我们的半监督方法带来的提升越显著。相关源代码和数据集已公开发布在https://github.com/zzh362/CRPS-D。

引言

自动停车技术在自动驾驶领域发挥着不可或缺的作用。准确的停车位检测是自动停车系统的关键第一步,直接影响后续的车辆规划。在这一背景下,环绕视图摄像头系统已成为首选解决方案,它们能够提供车辆周围环境的全面俯视图,从而更有效地检测停车位。传统的停车位检测方法[1]、[2]、[3]、[4]、[5]、[6]主要依赖于手工制作的特征(如角点和线条),但这些特征在几何特征不足的场景中无法提供令人满意的检测精度。随着各种基于深度学习的物体检测技术的发展,基于学习的停车位检测算法现已取代了传统方法。第一个基于学习的算法DeepPS[7]及其基准数据集ps2.0的推出,推动了该领域的进步。此后,研究人员通过多种方法(如标记点回归(DMPR-PS [8])、图神经网络(GNNs [9])和基于Transformer的方法[10]等)致力于提高检测精度。这些算法最近在基准数据集ps2.0上取得了超过99%的精度。然而,在现实中,停车场景往往更加复杂和困难。当这些解决方案应用于实际的自动停车场景时(如图1(a)所示),它们经常无法达到预期的性能。因此,迫切需要构建一个规模更大、更具挑战性且更贴近实际的数据集,以推进实际停车位的检测并评估算法的可行性。

在实际具有挑战性的场景中进行停车位检测。(a) 使用预训练模型的DMPR-PS [8]的结果。(b) 在提出的CRPS-D数据集上使用1/12标记数据训练的DMPR-PS的结果。(c) 在CRPS-D数据集上使用1/12标记数据和11/12未标记数据训练的半监督基线方法的结果。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号