Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda

Detalhes bibliográficos
Autor(a) principal: CALEBE PEREIRA LEMOS
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMS
Texto Completo: https://repositorio.ufms.br/handle/123456789/8651
Resumo: 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).
id UFMS_8486fac9bc106aa60168d14e0146016d
oai_identifier_str oai:repositorio.ufms.br:123456789/8651
network_acronym_str UFMS
network_name_str Repositório Institucional da UFMS
repository_id_str 2124
spelling 2024-04-08T18:17:11Z2024-04-08T18:17:11Z2024https://repositorio.ufms.br/handle/123456789/8651The 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).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).Fundação Universidade Federal de Mato Grosso do SulUFMSBrasilClassificação de imagens, aprendizagem profunda, redes neurais convolucionais.Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profundainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisWesley Nunes GoncalvesCALEBE PEREIRA LEMOSinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSORIGINALdissertacao.pdfdissertacao.pdfapplication/pdf15900091https://repositorio.ufms.br/bitstream/123456789/8651/-1/dissertacao.pdf80dee3d03352d17d7a01fc611a698a13MD5-1123456789/86512024-04-08 14:17:13.222oai:repositorio.ufms.br:123456789/8651Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242024-04-08T18:17:13Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false
dc.title.pt_BR.fl_str_mv Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
title Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
spellingShingle Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
CALEBE PEREIRA LEMOS
Classificação de imagens, aprendizagem profunda, redes neurais convolucionais.
title_short Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
title_full Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
title_fullStr Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
title_full_unstemmed Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
title_sort Classificação da Disponibilidade de Vagas de Estacionamento Usando Aprendizagem Profunda
author CALEBE PEREIRA LEMOS
author_facet CALEBE PEREIRA LEMOS
author_role author
dc.contributor.advisor1.fl_str_mv Wesley Nunes Goncalves
dc.contributor.author.fl_str_mv CALEBE PEREIRA LEMOS
contributor_str_mv Wesley Nunes Goncalves
dc.subject.por.fl_str_mv Classificação de imagens, aprendizagem profunda, redes neurais convolucionais.
topic Classificação de imagens, aprendizagem profunda, redes neurais convolucionais.
description 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).
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-04-08T18:17:11Z
dc.date.available.fl_str_mv 2024-04-08T18:17:11Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufms.br/handle/123456789/8651
url https://repositorio.ufms.br/handle/123456789/8651
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Fundação Universidade Federal de Mato Grosso do Sul
dc.publisher.initials.fl_str_mv UFMS
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Fundação Universidade Federal de Mato Grosso do Sul
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMS
instname:Universidade Federal de Mato Grosso do Sul (UFMS)
instacron:UFMS
instname_str Universidade Federal de Mato Grosso do Sul (UFMS)
instacron_str UFMS
institution UFMS
reponame_str Repositório Institucional da UFMS
collection Repositório Institucional da UFMS
bitstream.url.fl_str_mv https://repositorio.ufms.br/bitstream/123456789/8651/-1/dissertacao.pdf
bitstream.checksum.fl_str_mv 80dee3d03352d17d7a01fc611a698a13
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)
repository.mail.fl_str_mv ri.prograd@ufms.br
_version_ 1797952988690513920

Registros relacionados