CLASSIFICAÇÃO DE VAGAS DE ESTACIONAMENTO UTILIZANDO FEW-SHOT LEARNING E CONTINUAL LEARNING

INTRODUÇÃO: A busca por vagas de estacionamento em centros urbanos de alta densidade tem se mostrado um problema recorrente no dia a dia da população. Nesse sentido, cada vez mais se vê necessário inovar os ambientes e sistemas urbanos, a fim de auxiliar os motoristas a estacionarem seus carros de forma rápida e conveniente. Nesse sentido, as abordagens baseadas em imagem para classificação de vagas de estacionamento utilizando técnicas de aprendizado de máquina têm se mostrado uma excelente alternativa, devido à sua vantagem de custo e infraestrutura em relação a outros modelos[2], ademais de sua ampla possibilidade de modelos e abordagens. A escassez de dados, particularmente de imagens, é uma problemática recorrente em modelos de inteligência artificial, representando um desafio significativo durante o processo de treinamento do modelo. OBJETIVOS: Esta pesquisa visa investigar e analisar os resultados da classificação de vagas de estacionamento, determinando se uma vaga está livre ou ocupada, utilizando um conjunto restrito de amostras rotuladas. Para isso, foram testadas abordagens e métodos de redes Siamesas para Few-shot, além de técnicas de aumento de dados sintéticos . MATERIAIS E MÉTODO: Neste trabalho foram utilizados redes siamesas e dados sintéticos para mitigar a depência de dados anotados. O treinamento foi realizado nos sub-datasets UFPR04, UFPR05 e PUC, com volumes de dados de 2.000, 5.000 e 10.000 imagens. Para a inferência, pares de imagens do dataset de teste foram processados pela rede siamesa, comparando características extraídas para determinar a similaridade e avaliar a precisão da rede, mesmo com imagens de sub-datasets diferentes, testando sua capacidade de generalização. RESULTADOS: Os resultados indicam que a rede siamesa apresenta uma performance elevada ao classificar dados do próprio sub-dataset, mas enfrenta desafios ao generalizar para outros conjuntos de dados. A variabilidade de desempenho sugere a necessidade de utilizar conjuntos de dados diversificados e volumosos para melhorar a adaptabilidade do modelo. Portanto, para alcançar uma maior robustez e precisão, é crucial ampliar e diversificar os dados de treino. Esses achados destacam a importância da preparação adequada dos dados em aplicações práticas de redes neurais. CONSIDERAÇÕES FINAIS: pesquisa avaliou o desempenho de uma rede treinada utilizando diferentes sub-datasets do PKLot (UFPR04, UFPR05 e PUC) e analisou sua capacidade de generalização e precisão na classificação de imagens de estacionamento. Os resultados indicam que a performance da rede é altamente dependente do sub-dataset de treinamento e do volume de dados utilizados. A rede treinada com UFPR04 apresentou alta acurácia e precisão ao classificar imagens do próprio sub-dataset, mas com queda de desempenho ao ser testada com PUC e UFPR05. Aumentar o volume de dados de treino geralmente melhora a performance, mas deve-se evitar o sobreajuste .

PALAVRAS-CHAVE: Parking Lot Monitoring; Parking Space Classification; Deep Learning, Few-Shot Learning