摘要:停车引导和信息 (CPGI) 系统通过提供停车位占用情况的实时指示和节省时间,有可能减少拥挤区域的拥堵。如今,这些系统广泛应用于使用昂贵传感器方法的室内环境。因此,随着室外环境对 PGI 系统的需求不断增加,低成本的基于图像的检测方法已成为最近使用摄像头的研究和开发的中心。由于对卷积神经网络 (CNN) 在各种图像类别识别任务中的出色表现感兴趣,本研究提出了一个强大的停车位占用检测框架,使用深度 CNN 和二进制支持向量机 (SVM) 分类器从图像中发现室外停车位的占用情况。分类器由深度 CNN 从具有不同强度和天气条件的公共数据集 (PKLot) 中学习到的特征进行训练和测试。因此,我们评估了已建立技术在为本研究生成的停车数据集上的迁移学习性能(将结果简化为新数据集的能力),我们的系统将在通知用户之前提供。我们分别对公共数据集和我们的数据集进行了 99.7% 和 96.7% 的检测,这表明该技术具有为户外环境中的 CPGI 系统提供廉价且一致的解决方案的卓越能力。关键词—CPGI、基于图像的检测方法、CNN、稳健的停车位占用检测框架、SVM 分类器
自2018年以来,我们的社区合作伙伴Gateway Initiative(CPGI)与美国国立卫生研究院(NIH)的全体研究计划的宣传工作已达到30万个人,展示了我们持续的奉献精神,以计划和社区参与。尽管面临NIH预算的削减,但我们仍然坚定地支持我们所有人的研究计划和队列。我们的战略涉及利用我们独特的立场来吸引黑人和非洲裔美国人口,通过我们的战略参与旅程过程吸引社区,主持有影响力的网络研讨会,在国家医学协会活动中为专业教育做出贡献,并与历史悠久的黑人大学(HBCUS)合作,以增加参与。尽管有预算挑战,但我们仍然致力于确保该计划的成功和知名度。