ACPDS

ACPDS是由ParkDots和PosAm创建的图像数据集，专注于停车空间占用分类。该数据集包含11,236个独特的停车空间视图，每个图像从独特的角度拍摄并系统地标注。数据集的创建涉及使用GoPro Hero 6动作相机在不同天气和光照条件下捕捉多个停车场的图像。ACPDS旨在通过提供精确的标注和分离的训练、验证和测试集，直接测试模型泛化能力。此数据集适用于开发和测试用于实时停车空间占用信息检测的模型，有助于减少交通拥堵和提高停车效率。

ACPDS is an image dataset developed by ParkDots and PosAm, focusing on parking space occupancy classification. It contains 11,236 unique parking space views, with each image captured from a distinct perspective and systematically annotated. The creation of this dataset involved capturing images of multiple parking lots under diverse weather and lighting conditions using a GoPro Hero 6 action camera. ACPDS is designed to directly test the generalization capabilities of models by providing precise annotations and split training, validation, and test sets. This dataset is suitable for developing and testing models for real-time parking space occupancy detection, helping to reduce traffic congestion and improve parking efficiency.

搜集汇总

数据集介绍

构建方式

在智能交通系统领域，停车位占用检测是优化城市停车资源管理的关键技术。ACPDS数据集的构建采用了系统化的采集与标注流程，通过将GoPro Hero 6运动相机安装在12米伸缩杆上，模拟路灯高度，从独特视角捕捉了数十个不同停车场和街道的图像，涵盖多种天气与光照条件。每张图像均以4000x3000全分辨率拍摄，确保了视角的多样性与现实场景的贴合性。标注过程中，使用Labelbox工具为每个停车位绘制四边形边界框，即使部分停车位被遮挡或位于图像边缘，也保持标注格式的一致性，最终形成了包含293张图像、11,236个独特停车位视图的数据集，其中训练集、验证集和测试集分别对应不同的停车场，以直接测试模型的泛化能力。

特点

ACPDS数据集在停车位占用分类研究中展现出显著的特点。其核心优势在于首次采用基于停车场的划分方式，将训练集、验证集和测试集完全分离，确保了模型评估的真实泛化性能，避免了以往数据集中因同一停车场重复出现导致的性能高估。数据集包含超过11,000个独特停车位标注，规模远超先前公开数据集，且所有标注均采用统一的四边形格式，支持旋转等数据增强操作。图像采集高度模拟实际路灯安装条件，涵盖了遮挡、光照变化等复杂场景，为模型提供了更具挑战性的测试环境。这些特性共同使ACPDS成为评估图像基停车位占用分类模型泛化能力的基准数据集。

使用方法

使用ACPDS数据集进行停车位占用分类研究时，需遵循其基于停车场划分的数据结构，以准确评估模型在未见场景下的性能。研究者可借鉴论文中提出的两种基线模型：基于R-CNN的架构直接从图像中提取停车位图像块，并通过ResNet50分类器进行独立预测；基于Faster R-CNN FPN的架构则通过特征金字塔网络提取全局特征，再对每个停车位区域进行分类。两种模型均支持四边形或最小边界方形的特征池化方法，用户可根据实际需求选择。训练时，建议采用预训练骨干网络，结合随机翻转、旋转及色彩调整等增强策略，并利用缓存与GPU加速优化流程。评估阶段应依据验证集精度选择最佳配置，并以测试集结果作为泛化性能的最终指标，确保模型在真实部署中的可靠性。

背景与挑战

背景概述

在智能交通系统与计算机视觉交叉领域，停车位占用分类是优化城市停车资源、缓解交通拥堵的关键技术。ACPDS数据集于2021年由Martin Marek等人发布，旨在通过图像分析方法提升停车位占用检测的泛化能力。该数据集创新性地采用独特视角采集图像，涵盖多种停车场环境与光照条件，并首次在训练、验证与测试集中严格分离不同停车场，从而直接评估模型在新场景下的性能。其系统化的四边形标注格式与超过11,000个停车位的规模，为相关研究提供了高质量基准，推动了基于图像的停车监控技术向实用化迈进。

当前挑战

停车位占用分类的核心挑战在于模型需在复杂现实场景中保持高精度与强泛化能力，包括处理车辆遮挡、光照变化及不同停车场布局的差异性。ACPDS数据集构建过程中，数据采集面临实际限制：需在固定高度模拟路灯安装视角，确保图像视角一致性，同时应对恶劣天气与遮挡情况下的标注困难，例如在车辆严重遮挡时依赖停车场布局一致性进行推断。此外，标注成本高昂限制了数据集规模扩展，而模型设计需平衡高分辨率图像处理与计算效率，并解决遮挡环境下停车位与车辆的正确关联问题。

常用场景

经典使用场景

在智能交通系统领域，基于图像的停车位占用分类是优化城市停车管理的关键技术。ACPDS数据集通过提供从独特视角采集的图像，系统化标注了超过11,000个停车位，其训练、验证和测试集分别涵盖不同的停车场，从而构建了一个评估模型泛化能力的基准平台。该数据集最经典的使用场景在于训练和测试深度学习模型，以准确识别停车位的占用状态，特别是在遮挡严重、光照多变等复杂现实条件下，为研究者提供了可靠的性能验证环境。

解决学术问题

ACPDS数据集有效解决了停车位占用分类研究中模型泛化能力不足的学术难题。以往数据集往往在同一停车场内划分数据，导致模型过拟合，难以推广到未见过的场景。该数据集通过严格分离不同停车场的图像，首次实现了对模型跨场景泛化性能的直接测试。其意义在于推动了计算机视觉在真实世界应用中的可靠性评估，为后续研究设立了更高的标准，促进了更稳健、实用的停车监测算法的发展。

衍生相关工作

ACPDS数据集衍生了一系列经典研究工作，主要集中在改进停车位占用分类模型架构与泛化策略上。例如，研究者基于该数据集提出了结合R-CNN和Faster R-CNN FPN的基线模型，通过自定义特征池化方法处理四边形标注，实现了超过98%的准确率。这些工作不仅验证了数据集的有效性，还启发了后续对遮挡处理、多尺度特征融合等方向的探索，推动了领域内模型设计与评估方法的进步。