Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
CALEBE PEREIRA LEMOS |
| Orientador(a): |
Wesley Nunes Goncalves |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Fundação Universidade Federal de Mato Grosso do Sul
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufms.br/handle/123456789/8651
|
Resumo: |
The emission from motor vehicles is one of the most significant for atmospheric pollution. In this context, knowing the availability of parking spaces plays an important role in reducing air pollution, as the search time is shorter. In addition, these systems can contribute to improving traffic efficiency, as they prevent drivers from circulating unnecessarily in search of a parking space. However, automating this task presents challenges, mainly related to image capture with different lighting, weather seasons and obstructed view. This work aims to evaluate recent deep learning methods for classifying available parking spaces from images. The results highlighted Res2Net, with accuracy greater than 99% in experiments with the public dataset (CNR-Park+EXT) and 100% for the constructed dataset (UFMS-Park). |
