ترجمه فارسی مقاله خود به روز رسانی چارچوب نظارت بر خودرو با استفاده از سنجش صوتی توزیع شده به سمت تنظیمات دنیای واقعی

چکیده

The recent emergence of Distributed Acoustic Sensing (DAS) technology has facilitated the effective capture of traffic-induced seismic data. The traffic-induced seismic wave is a prominent contributor to urban vibrations and contain crucial information to advance urban exploration and governance. However, identifying vehicular movements within massive noisy data poses a significant challenge. In this study, we introduce a real-time semi-supervised vehicle monitoring framework tailored to urban settings. It requires only a small fraction of manual labels for initial training and exploits unlabeled data for model improvement. Additionally, the framework can autonomously adapt to newly collected unlabeled data. Before DAS data undergo object detection as two-dimensional images to preserve spatial information, we leveraged comprehensive one-dimensional signal preprocessing to mitigate noise. Furthermore, we propose a novel prior loss that incorporates the shapes of vehicular traces to track a single vehicle with varying speeds. To evaluate our model, we conducted experiments with seismic data from the Stanford 2 DAS Array. The results showed that our model outperformed the baseline model Efficient Teacher and its supervised counterpart, YOLO (You Only Look Once), in both accuracy and robustness. With only 35 labeled images, our model surpassed YOLO’s mAP 0.5:0.95 criterion by 18% and showed a 7% increase over Efficient Teacher. We conducted comparative experiments with multiple update strategies for self-updating and identified an optimal approach. This approach surpasses the performance of non-overfitting training conducted with all data in a single pass.

چکیده به فارسی (ترجمه ماشینی)

ظهور اخیر فناوری سنجش صوتی توزیع شده (DAS) ، ضبط مؤثر داده های لرزه ای ناشی از ترافیک را تسهیل کرده است.موج لرزه ای ناشی از ترافیک نقش مهمی در ارتعاشات شهری دارد و حاوی اطلاعات مهمی برای پیشبرد اکتشافات و مدیریت شهری است.با این حال ، شناسایی حرکات وسایل نقلیه در داده های پر سر و صدا گسترده یک چالش مهم است.در این مطالعه ، ما یک چارچوب نظارت بر وسیله نقلیه نیمه تحت نظارت در زمان واقعی متناسب با تنظیمات شهری را معرفی می کنیم.این تنها به بخش کوچکی از برچسب های دستی برای آموزش اولیه نیاز دارد و از داده های بدون برچسب برای بهبود مدل بهره برداری می کند.علاوه بر این ، این چارچوب می تواند به طور خودمختار با داده های بدون برچسب تازه جمع آوری شده سازگار شود.قبل از اینکه داده های DAS برای حفظ اطلاعات مکانی تحت تشخیص شیء به عنوان تصاویر دو بعدی قرار بگیرند ، ما از پیش پردازش سیگنال یک بعدی جامع برای کاهش سر و صدا استفاده کردیم.علاوه بر این ، ما یک از دست دادن قبلی جدید را پیشنهاد می کنیم که شامل اشکال آثار وسایل نقلیه برای ردیابی یک وسیله نقلیه واحد با سرعت های مختلف است.برای ارزیابی مدل خود ، ما آزمایشاتی را با داده های لرزه ای از Array Stanford 2 Das انجام دادیم.نتایج نشان داد که مدل ما از معلم کارآمد مدل پایه و همتای نظارت شده آن ، YOLO (شما فقط یک بار نگاه می کنید) بهتر است ، هم در دقت و هم در استحکام.تنها با 35 تصویر دارای برچسب ، مدل ما از نقشه Yolo 0.5: معیار 0.95 18 ٪ پیشی گرفت و 7 ٪ افزایش نسبت به معلم کارآمد را نشان داد.ما آزمایش های مقایسه ای را با استراتژی های به روزرسانی چندگانه برای خودآزمایی انجام دادیم و یک رویکرد بهینه را شناسایی کردیم.این رویکرد از عملکرد آموزش های غیر همپوشانی که با تمام داده ها در یک پاس واحد انجام می شود ، پیشی می گیرد.