Dalam era perkembangan teknologi, penggunaan jalan raya dan parkir menjadi lebih kompleks. Oleh karena itu, sangat penting untuk mengembangkan sistem deteksi occupansi lahan parkir yang efektif dan efisien. Salah satu pendekatan yang telah dikembangkan adalah menggunakan teknologi deep learning.
Artikel ini akan membahas beberapa artikel ilmiah terkait dengan penggunaan deep learning untuk deteksi occupansi lahan parkir. Pertama, kita memiliki artikel "Deep learning for decentralized parking lot occupancy detection" oleh Markdownara, F., Falchi, F., Gennaro, C., Meghini, C., dan Vairo, C. (2017). Dalam artikel ini, para peneliti menggunakan deep learning untuk mendeteksi occupansi lahan parkir yang tidak terkait secara sentral.
Artikel lainnya adalah "Real-time image-based parking occupancy detection using deep learning" oleh Acharya, D., Yan, W., dan Khoshelham, K. (2018). Dalam artikel ini, para peneliti menggunakan teknologi deep learning untuk mendeteksi occupansi lahan parkir secara real-time berdasarkan gambar.
Selain itu, kita juga memiliki artikel "A novel algorithm of lane detection addressing varied scenarios of curved and dashed lanemarks" oleh Suddamalla, U., Kundu, S., Farkade, S., dan Das, A. (2015). Dalam artikel ini, para peneliti mengembangkan algoritma yang dapat mendeteksi lahan parkir dengan berbagai skenario, termasuk curved dan dashed lanemarks.
Kemudian, kita memiliki artikel "Enhanced algorithm of automated ground truth generation and validation for lane detection system by M2BMT" oleh Das, A., Srinivasa Murthy, S., dan Suddamalla, U. (2017). Dalam artikel ini, para peneliti mengembangkan algoritma yang dapat memvalidasi data lahan parkir secara otomatis.
Dalam beberapa tahun terakhir, telah ada beberapa artikel ilmiah lainnya yang terkait dengan penggunaan deep learning untuk deteksi occupansi lahan parkir. Salah satunya adalah "Accurate and robust line segment extraction by analyzing distribution around peaks in Hough space" oleh Furukawa, Y., dan Shinagawa, Y. (2003). Dalam artikel ini, para peneliti menggunakan teknologi deep learning untuk mendapatkan garis yang akurat dan tahan.
Selain itu, kita juga memiliki artikel "Automatic moving object segmentation for freely moving cameras" oleh Wan, Y., Wang, X., dan Hu, H. (2014). Dalam artikel ini, para peneliti mengembangkan algoritma yang dapat membagi objek yang bergerak secara otomatis.
Dalam artikel lainnya, kita memiliki "Two-frame motion estimation based on polynomial expansion" oleh Farnebäck, G. (2003). Dalam artikel ini, para peneliti menggunakan teknologi deep learning untuk mendapatkan perkiraan gerakan dua frame.
Kita juga memiliki artikel "An iterative image registration technique with applications to stereo vision" oleh Lucas, B., dan Kanade, T. (1981). Dalam artikel ini, para peneliti mengembangkan algoritma yang dapat mendaftarkan gambar secara iteratif.
Selain itu, kita juga memiliki beberapa artikel ilmiah lainnya yang terkait dengan penggunaan deep learning untuk deteksi occupansi lahan parkir. Salah satunya adalah "Automatic parking space detection and tracking for underground and indoor environments" oleh Suhr, J.K., dan Jung, H.G. (2016). Dalam artikel ini, para peneliti mengembangkan algoritma yang dapat mendeteksi ruang parkir secara otomatis.
Dalam beberapa tahun terakhir, telah ada beberapa artikel ilmiah lainnya yang terkait dengan penggunaan deep learning untuk deteksi occupansi lahan parkir. Salah satunya adalah "A robust method for detecting parking areas in both indoor and outdoor environments" oleh Zong, W., dan Chen, Q. (2018). Dalam artikel ini, para peneliti mengembangkan algoritma yang dapat mendeteksi area parkir secara tahan.
Dalam kesimpulan, teknologi deep learning telah menunjukkan potensi besar dalam deteksi occupansi lahan parkir. Dengan menggunakan teknologi deep learning, kita dapat mendeteksi occupansi lahan parkir dengan lebih akurat dan efisien.