ANÁLISE CRÍTICA ACERCA DO DESEMPENHO DE MODELOS PROFUNDOS PARA CLASSIFICAÇÃO DE VAGAS DE ESTACIONAMENTO

INTRODUÇÃO: Em direção às cidades inteligentes, o monitoramento automático de estacionamentos por meio de câmeras tem se mostrado eficaz ao auxiliar motoristas na busca por vagas, reduzindo significativamente a perda de tempo, o congestionamento e a poluição. Os avanços em inteligência artificial, especialmente em modelos profundos, têm impulsionado diversas tarefas de análise de imagens. Este trabalho investiga o uso de Redes Neurais Convolucionais (CNNs) e transferência de aprendizagem para classificar a ocupação de vagas em estacionamentos, com uma avaliação detalhada do desempenho desses modelos em diferentes cenários, destacando a relevância desta abordagem. OBJETIVOS: Estabelecer um benchmark de modelos disponíveis na literatura, aplicados a diferentes cenários de estacionamento. O objetivo é identificar os modelos e técnicas mais promissoras, incluindo a transferência de aprendizagem, visando minimizar o treinamento em cenários alvo e, assim, proporcionar escalabilidade à solução. MATERIAIS E MÉTODO: Para atingir os objetivos, utilizamos uma base pública contendo aproximadamente 600 mil amostras de vagas de estacionamento, capturadas em dois cenários distintos nas instituições UFPR e PUCPR. As bases apresentam variabilidade em termos de posicionamento de câmeras, condições climáticas e oclusões parciais das vagas devido a objetos como árvores e postes de iluminação. Diversos modelos profundos do estado da arte, como ResNet, MobileNet e EfficientNet, foram comparados em termos de desempenho. Um protocolo de validação cruzada foi implementado, treinando os modelos em um estacionamento e testando-os em outro, para avaliar o esforço computacional necessário para ajuste dos modelos. RESULTADOS: Experimentos iniciais indicam que os modelos atingem acurácia superior a 97% na classificação de vagas quando ajustados para o cenário de destino. Em situações sem treinamento específico no cenário alvo, utilizando apenas o aprendizado do cenário de origem, a acurácia média é reduzida para 92%. CONSIDERAÇÕES FINAIS: Os experimentos evidenciam que com tempo e recursos computacionais adequados, os modelos atingem altas taxas de acerto. Em casos de rápida adaptação, como em eventos onde o tempo de implantação e acesso a recursos é limitado, a acurácia de 92% pode ser satisfatória, visto que viabiliza uma implementação rápida e eficiente.

PALAVRAS-CHAVE: Parking Lot Monitoring; Parking Space Classification; Convolutional autoencoder; Convolutional neural networks