ADAPTAÇÃO DE DOMÍNIO EM MODELOS PROFUNDOS DE CLASSIFICAÇÃO APLICADOS A VAGAS DE ESTACIONAMENTO

INTRODUÇÃO: O aumento da urbanização e da frota veicular nas cidades gerou demanda por soluções automatizadas para o gerenciamento de estacionamentos. Entre as alternativas, destaca-se a visão computacional com redes neurais convolucionais, que oferecem bom desempenho e escalabilidade. Contudo, esses métodos requerem grandes volumes de imagens rotuladas e sofrem perda de desempenho em cenários distintos, como mudanças na iluminação, ângulo da câmera ou condições climáticas — caracterizando o desafio de adaptação de domínio. Este trabalho propõe o uso de autoencoders convolucionais como estratégia de aprendizado não supervisionado, extraindo representações latentes de imagens de vagas sem necessidade de rótulos. Esses vetores alimentam classificadores supervisionados com menor esforço de anotação. Adicionalmente, diferentes classificadores são combinados por técnicas de fusão (soma, produto, votação), buscando maior robustez frente à variação de domínio. A proposta visa oferecer uma solução de baixo custo computacional e ampla aplicabilidade urbana. OBJETIVOS: O objetivo principal é reduzir a dependência de dados rotulados e aumentar a robustez de classificadores de vagas de estacionamento em cenários variados. utilizando um pipeline com aprendizado não supervisionado, adaptação de domínio e baixo custo operacional, viabilizando aplicações práticas em ambientes urbanos. Os objetivos específicos incluem: (i) treinar múltiplos autoencoders em diferentes bases de dados; (ii) usar os encoders como parte inicial de classificadores com fine-tuning supervisionado; (iii) aplicar técnicas de fusão entre modelos e avaliar o impacto na acurácia e generalização. MATERIAIS E MÉTODO: Foram utilizados três conjuntos de dados públicos: PKLot, CNR-EXT e Kyoto, com diferentes características visuais. As imagens passaram por pré-processamento e aumento de dados. Autoencoders com arquiteturas variadas foram gerados aleatoriamente e treinados sem rótulos. Métricas SSIM, PSNR e MSE avaliaram a reconstrução.Os encoders alimentaram classificadores supervisionados com camadas densas e softmax binário. O treinamento foi progressivo, com tamanhos crescentes de dados (64 a 1024 amostras). Aplicaram-se três técnicas de fusão às previsões: soma, produto e votação. Foram realizados testes cruzados entre bases para simular adaptação de domínio. RESULTADOS: Embora os autoencoders apresentassem reconstruções de qualidade moderada, os classificadores obtiveram bom desempenho com poucos dados. A acurácia aumentou conforme mais imagens foram adicionadas, sendo possível alcançar resultados estáveis com 512 amostras. A origem da base de treino foi um fator crítico: quanto mais próxima do domínio de teste, melhor o desempenho.As técnicas de fusão melhoraram a precisão, com ganhos médios entre 1% e 4%, chegando a 12% em alguns cenários. A votação mostrou-se a mais estável. Diferenças de ângulo de câmera impactaram negativamente a generalização, evidenciando a importância de estratégias de adaptação de domínio na tarefa de classificação. CONSIDERAÇÕES FINAIS: A combinação de autoencoders com classificadores supervisionados demonstrou ser eficaz para reduzir o esforço de rotulagem em problemas de classificação de imagens de vagas. A reutilização dos encoders permitiu economia computacional sem comprometer a acurácia. As fusões entre modelos aumentaram a robustez dos resultados, especialmente com poucos dados. A pesquisa conclui que a compatibilidade entre domínios é mais determinante do que a arquitetura da rede. Para trabalhos futuros, recomenda-se explorar autoencoders variacionais, novas funções de perda e a relação entre qualidade de reconstrução e desempenho do classificador.

PALAVRAS-CHAVE: Aprendizado Semi-Supervisionado; AutoEncoders; Monitoramento de Vagas de Estacionamento.