论文页面 - 面向停车位占用识别的自监督方法

来源：https://huggingface.co/papers/2606.20886

摘要

一种面向停车位占用识别的自监督迁移学习方法，通过两阶段训练与部署策略，仅需极少标注数据即可实现高精度。

随着城市区域扩张，停车场的自动监测成为高效可持续城市的关键需求。本文提出一种无需目标停车场任何标注样本的停车位占用识别自监督方法。基于自监督迁移学习（https://huggingface.co/papers?q=transfer%20learning）微调协议，所提出的训练策略包含两个自监督阶段：首先在无标注通用数据上训练，然后在无标注目标专有数据上训练；随后仅使用通用停车场标签进行监督微调。我们采用 SimCLR（https://huggingface.co/papers?q=SimCLR）结合 ResNet-50（https://huggingface.co/papers?q=ResNet-50）编码器，并在三个公开数据集（PKLot、CNRPark-EXT、PLds）上采用留一法跨环境协议（https://huggingface.co/papers?q=leave-one-out%20cross-environment%20protocol）进行评估。我们还引入了一种两阶段部署策略（https://huggingface.co/papers?q=two-stage%20deployment%20策略），首先部署强通用模型（https://huggingface.co/papers?q=Strong%20General%20Model），随后通过自监督方式融入部署前N天内收集的无标注图像，形成专用模型（https://huggingface.co/papers?q=Specialized%20Model）。实验结果表明，仅使用强通用模型（https://huggingface.co/papers?q=Strong%20General%20Model）即可超越监督与自监督基线，平均准确率达97.2%，而所提出的两阶段策略进一步提升至97.8%。这些结果证明，自监督学习（https://huggingface.co/papers?q=self-supervised%20learning）能够为实际停车占用监测提供可扩展且低标注成本的解决方案。我们的训练模型和源代码已在 https://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognition 公开。

查看 arXiv 页面（https://arxiv.org/abs/2606.20886）查看 PDF（https://arxiv.org/pdf/2606.20886）GitHub2（https://github.com/LoanMaikon/Parking-Spot-Occupancy-Recognition）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.20886）

在您的智能体中获取此论文：

hf papers read 2606\.20886

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型1

LoanMaikon/Parking-Spot-Occupancy-Recognition 更新于约3小时前 • 1（https://huggingface.co/LoanMaikon/Parking-Spot-Occupancy-Recognition）

引用此论文的数据集0

没有链接此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2606.20886 即可将其链接至此页面。

引用此论文的 Spaces0

没有链接此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2606.20886 即可将其链接至此页面。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集（https://huggingface.co/new-collection）即可将其链接至此页面。