Tez No	İndirme	Tez Künye	Durumu
723019		Fully automated on-street parking spot detection with different deep learning methods / Farklı derin öğrenme yöntemleriyle tam otomatik cadde park yeri tespiti Yazar:EMRE ÇİÇEK Danışman: PROF. DR. SEZER GÖREN UĞURDAĞ Yer Bilgisi: Yeditepe Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Nesne tespiti = Object detection ; Otopark = Car park	Onaylandı Doktora İngilizce 2022 0 s.
Metropollerde park yeri aramak uzun zaman alıyor ve bu da trafik kazaları, karbondioksit ve sera gazı emisyonu riskini artırıyor.Bu tezde, trafiği yoğun olduğu herhangi bir sokakta yol kenarı park yeri bulabilecek şekilde tam otomatik görüntü işleme tabanlı bir mobil bulut park yönetimi çözümü öneriyoruz. Otomatik bir park yeri tespit sistemi geliştirmek için hem nesne tespiti hem de yol segmentasyonu yöntemlerini kullanıyoruz. Böylece, her cadde için manuel olarak etiketleme ve eğitim vermemize ve park yeri sınırlarını ve çevresindeki yol alanlarını işaretlememize gerek yoktur. Yaklaşımımızda, yol segmentasyonu için FCN-VGG16 modeli ve KITTI yol veri seti, oysa nesne tespiti için Faster R-CNN ve COCO veri seti kullanılır. Yol Sınırları algoritmamız, yol kenarı hariç yol poligonunu otomatik olarak tanımlar. Buradaki asıl katkı, park halindeki arabaları yoldaki hareket halindeki arabalardan ayırt etmek ve yol kenarında park etmiş arabalar arasındaki boş park yerini tespit etmek ve sürücüyü en yakın noktaya yönlendirmektir. GPU'da, 1.5 fps resim/görüntü hızı ve akan trafikte yüzde 83'e ve trafik akışı olmadan yüzde 92'ye varan doğruluk elde ettik. Bu sonuçlar, şehir çapında bir potansiyel çözüm vaat ediyor. Ayrıca, üç modern evrişimli nesne algılama mimarisi olan Faster R-CNN, Mask R-CNN ve SSD görüntü başına en uygun çalışma süresini ve park yeri tespiti doğruluğu bakımından değerlendirildi. Diğer modellere kıyasla görüntü başına ortalama çalışma süresi açısından SSD en hızlısıdır ve Mask R-CNN ise en yavaş olanıdır. Mask R-CNN, diğer nesne algılama modellerine kıyasla en yüksek tespit doğruluğuna sahiptir ve SSD en az doğruluğu olandır. Sonuç olarak, Faster R-CNN gerçek zamanlı park yeri tespiti uygulaması için resim başına çalışma süresi ve tespit doğruluğu açısından en iyi performansı gösterdi.
Searching for parking spots in metropolitan areas takes a long time, which leads to increase the risk of car accidents, carbon dioxide, and greenhouse emissions. In this dissertation, we propose a vision-based mobile cloud parking management solution, which is fully automated such that it can find roadside parking spots in any street with flowing traffic. We employ both object detection and road segmentation methods to develop an automated parking spot detection system. Thus, we do not need to manually label and train for every distinct street, and do not mark out parking spot boundaries and surrounding road areas. In our approach, the FCN-VGG16 model and KITTI road dataset are used for road segmentation, whereas Faster R-CNN and COCO dataset for object detection. Our Road Boundaries algorithm automatically identifies the road polygon excluding the roadside. The main contribution here is to differentiate the parked cars from the moving cars on the road and detect the available parking spot between the parked cars on the roadside and direct the driver to the nearest spot. On GPU, we achieved a frame rate of 1.5fps and up to 83 percent accuracy with flowing traffic and 92 percent with no traffic flow. These results promise a potential solution on a city-wide scale. Furthermore, three modern convolutional object detection architectures, which are Faster R-CNN, Mask R-CNN, and SSD, were evaluated to select the most optimal running time per frame and detection accuracy trade-offs for parking spot detection. SSD is fastest and Mask R-CNN is slowest in terms of average running time per frame compared to other models.Mask R-CNN has the most detection accuracy and SSD has the least accurate compared to other object detection models.Consequently, Faster R-CNN outperformed in terms of running time per frame and detection accuracy for real time application of parking spot detection.