FUSÃO DE REPRESENTAÇÕES PARA ADAPTAÇÃO DE DOMÍNIO DE MODELOS PROFUNDOS NO MONITORAMENTO INTELIGENTE DE VAGAS DE ESTACIONAMENTO

INTRODUÇÃO: A classificação automática da ocupação de vagas de estacionamento é uma importante aplicação de visão computacional para sistemas inteligentes de transporte. Entretanto, a elevada dependência de grandes volumes de dados anotados limita a adoção de modelos supervisionados em novos cenários, motivando o desenvolvimento de estratégias capazes de explorar dados não rotulados para aprender representações transferíveis e reduzir o esforço de anotação. OBJETIVOS: Desenvolver e avaliar uma abordagem de aprendizado autodidata (self-taught learning) baseada em um (ensemble) de Convolutional Autoencoders (CAEs) para a classificação de vagas de estacionamento sob limitação de dados anotados. Especificamente, investigou-se a capacidade dos CAEs de aprender representações transferíveis, comparando seu desempenho com arquiteturas baseadas em Variational Autoencoders (VAEs), além de analisar a influência do tamanho do ensemble e de diferentes estratégias de fusão das predições. MATERIAIS E MÉTODO: Os experimentos foram conduzidos utilizando os datasets PKLot e CNRPark-EXT sob protocolo de avaliação cross-dataset, no qual o treinamento é realizado em um domínio e a avaliação em outro, simulando condições reais de adaptação de domínio. Inicialmente, os autoencoders foram treinados de forma não supervisionada para aprender representações latentes a partir dos dados do domínio-fonte. Em seguida, essas representações foram utilizadas na classificação do domínio-alvo com diferentes quantidades de amostras rotuladas, variando entre 64 e 1.024 exemplos. Também foram avaliados diferentes tamanhos de ensemble e quatro estratégias de fusão das predições: soma, votação majoritária, multiplicação e máximo. RESULTADOS: Os resultados demonstram que a arquitetura baseada em CAEs supera consistentemente a arquitetura Variational Autoencoder (VAE) na aprendizagem de representações transferíveis. Utilizando apenas 64 amostras rotuladas do domínio-alvo, a abordagem proposta alcançou acurácia média de aproximadamente 93%, enquanto, com 1.024 amostras, atingiu 96,4%, desempenho competitivo em relação a métodos totalmente supervisionados reportados na literatura. Observou-se ainda que um ensemble composto por dez autoencoders heterogêneos é suficiente para saturar os ganhos de desempenho, tornando desnecessário o aumento da complexidade computacional. Entre as estratégias de fusão avaliadas, a votação majoritária apresentou os resultados mais consistentes e foi adotada na configuração final do método. CONSIDERAÇÕES FINAIS: A pesquisa demonstra que o uso de aprendizado não supervisionado associado à combinação de múltiplos autoencoders representa uma alternativa eficiente para aplicações com disponibilidade limitada de dados rotulados. Como perspectivas futuras, pretende-se investigar técnicas auto-supervisionadas, mecanismos adaptativos para seleção dos modelos do ensemble e a validação da abordagem em novos conjuntos de dados e diferentes cenários de monitoramento, ampliando sua robustez e capacidade de generalização. Como principal produto científico desta pesquisa, os resultados fundamentaram o artigo Ensemble-Based Self-Taught Learning Approach for Parking Space Classification under Limited Data, aceito para publicação na IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2026).

PALAVRAS-CHAVE: Visão computacional; Dados Limitados; Aprendizado de máquina; Ensemble; Aprendizado profundo.