读Context-Based Parking Slot DetectionWith a Realistic Dataset

读Context-Based Parking Slot DetectionWith a Realistic Dataset

---

paper
github
贡献 | 模型框架 | 具体实现 | 其他需要注意 | todo

1. 贡献

• 提出一种基于上下文的两阶段停车位检测方法；
• 在yolo的基础上，由旋转物体检测器根据旋转角度用旋转锚框框出停车位；
• 新的停车位数据集，新的评估指标；

2. 模型框架

两个部分，上下文识别器(PCR)和停车位检测器(PSD)；
上下文识别器：骨架为MobileNetV2，从图片提取车位类型和旋转角度；停车位识别器：骨架为YOLOv3,从图片和类型角度得出最终旋转过的锚框，圈出车位；

3. 具体实现

• PCR: 输入图像经MobileNetV2，从回归分支得锚框旋转角度，从分类分支得车位种类；输入图像被分为四类之一：平行、垂直、对角线、或非停车空间；由停车位分隔线得估计角度；每张图片只会被分为其中一类，因为相邻停车位有相同方向和类型。

• PSD: 上述三类图各对应一个检测器，分别估计停车位的四个顶点的坐标，其中检测的锚框会旋转 PCR 估计的角度。

• 损失函数
  

  包含分类损失和回归损失；
  旋转非极大抑制(rotated non-maximum suppression)，不太明白啊

• 数据集
  包含图片，类型，方向角度值及顶点坐标；
  按照场景分类，训练更高效；
  相比ps2.0，不同亮度情况多，不同大小车位多，包含更多种类的样本ps2.0中所不包含的；

• 评价指标
  并不使用IoU作为评价指标（即使不同情况也有相同IoU），提出新评价指标停车分数S=SArea*SLoc（面积的估计精度和位置估计精度）。其中G为真值，P为预测值，P‘为G与P的交集。
  

  趋近于1，表示预测面积和真实面积趋同；
  

趋近于1，表示预测的都在真实的里面；
相比IoU，S能够适配不同的车辆尺寸和停车位尺寸，更适用于工程算法开发。

4. 其他需要注意

   传统方法

   • 基于线的方法：找两条间隔开的分隔线；
   • 基于角点的方法：先检测入口线与分割线相交角点，再结合角点坐标检测停车位；

5. todo

   nms