SE增强的集成深度学习框架用于停车位分类

《Machine Learning and Knowledge Extraction》：SE-Enhanced Ensembled Deep Learning Framework for Parking Space Classification

　　

停车位系统是智能交通管理系统的关键组成部分，有助于管理停车位、缓解交通拥堵并提升出行效率。深度学习推动了智能停车系统的发展。尽管轻量级卷积神经网络（CNN）具有较高计算效率，但其特征表示能力有限，且存在梯度消失问题，在复杂停车场景下会降低分类性能。为解决该局限，研究人员考虑采用MobileNetV2、EfficientNetB0、DenseNet和ConvNeXt等轻量级CNN模型，并嵌入压缩激励（Squeeze-and-Excitation, SE）块以增强通道级特征重标定，并在整个网络中稳定梯度。MobileNetV2捕获判别性局部特征，EfficientNetB0通过复合缩放学习多尺度语义表示，DenseNet促进分层特征复用，ConvNeXt提取鲁棒上下文特征。提取的深度特征随后通过均匀流形逼近与投影（Uniform Manifold Approximation and Projection, UMAP）降维，在保留底层流形结构的同时去除冗余信息。降维后的特征由XGBoost、LightGBM和支持向量机（SVM）分类器集成分类，并通过加权堆叠集成（weighted stacking ensemble）融合预测，以利用互补优势并提升泛化能力。该框架在PKLot、CNRPark和CNRPark+Ext数据集上实验评估，分类准确率分别达99.3%、98.7%和99.1%，证明了其在现实智慧城市停车应用中的有效性与鲁棒性。

研究背景方面，现代城市停车难导致道路拥堵增加约30%，驾驶员寻位耗时6至8分钟，传统传感器方案成本高且受限，基于视觉的停车检测方法因深度学习可自主提取特征而成为高性价比替代。但从头训练CNN计算开销大，轻量级CNN虽高效却受限于特征表示不足与梯度消失；单一骨干网加全连接层的端到端分类器难以充分利用互补特征且易冗余。为此，研究人员在《Machine Learning and Knowledge Extraction》提出一种SE增强的轻量级CNN特征提取、UMAP降维与经典分类器加权堆叠集成的混合框架，以缓解梯度消失、提升通道特征重标定与跨场景泛化能力，结论显示该框架在PKLot、CNRPark及CNRPark+Ext上分别取得99.3%、98.7%、99.1%准确率，推理时间适度增加仍满足嵌入式实时约束，消融实验证实SE块、UMAP与集成投票均关键，具有重要意义。

关键技术方法上，研究人员选用PKLot（含UFPR04、UFPR05、PUCPR子集，约695899个车位块）、CNRPark与CNRPark+Ext（超150000标注块，多相机多天气）为样本队列；以MobileNetV2、EfficientNetB0、DenseNet、ConvNeXt为骨干，在特定层后插入SE块（Squeeze全局平均池化、Excitation全连接加Sigmoid、Recalibration通道重加权）以稳梯度；提取特征经标准化后用UMAP非线性降维保留流形；最终以XGBoost、LightGBM、SVM为基分类器，按验证精度加权概率平均做堆叠集成决策。

研究结果部分，3 方法论中3.1数据集描述说明了三数据集来源与划分；3.2预处理含翻转、缩放、旋转、归一化与颜色抖动；3.3轻量级CNN特征提取给出梯度消失推导与SE前后EfficientNet梯度幅值对比；3.4 SE块处理梯度消失详述Squeeze-Excitation-Recalibration三步骤及各模型插入位置（EfficientNet在MBConv后、DenseNet在密集块末、ConvNeXt在第4阶段、MobileNetV2第10层）；3.5归一化与UMAP降维给出数学映射与交叉熵目标；3.6集成分类器以权重ω_i对各类概率p_i,c加权得最终类。4 结果与讨论中4.1 PKLot上Model-II（DenseNet-SE）在UFPR04达99.49%、UFPR05达99.64%，AUC 0.9965，堆叠优于单XGBoost/LightGBM/SVM；4.2 CNRPark系列跨天气训练测试显示Model-I晴训雨测99.72%、Model-III阴训雨测99.04%，跨相机C8训C4测Model-IV达98.37%；4.3 跨数据集PKLot训CNRPark+Ext测Model-III准确率99.18% AUC 0.9930，反向仅85.73%，印证环境多样性影响泛化；4.4 定性可视化展示明暗视角误判样例；4.5 计算复杂度中Model-IV仅0.15M参数、0.02 GFLOPs、1.1 MB；4.6 配对t检验示Model-IV较I/II/III的p为0.02/0.04/0.01显著；4.7 消融表明EfficientNet+SE+UMAP+集成较基线准确率与AUC全面提升。

讨论与结论翻译：研究人员提出通过SE块增强轻量级CNN以克服梯度消失并改进特征重标定，结合UMAP降维与分类器集成细化决策；在PKLot、CNRPark、CNRPark+Ext上框架优于现有主流方法，可部署于智能停车管理。未来可探索超越SE的注意力机制、扩展至实时视频流、引入自监督/无监督以降低标注依赖，并在更大规模含夜间与极端天气数据上验证扩展性。