مقاله آیا داده های مصنوعی می توانند آموزش شبکه های شمارش عمیق خودروهای صوتی را تقویت کنند؟

چکیده

In the design of traffic monitoring solutions for optimizing the urban mobility infrastructure, acoustic vehicle counting models have received attention due to their cost effectiveness and energy efficiency. Although deep learning has proven effective for visual traffic monitoring, its use has not been thoroughly investigated in the audio domain, likely due to real-world data scarcity. In this work, we propose a novel approach to acoustic vehicle counting by developing: i) a traffic noise simulation framework to synthesize realistic vehicle pass-by events; ii) a strategy to mix synthetic and real data to train a deep-learning model for traffic counting. The proposed system is capable of simultaneously counting cars and commercial vehicles driving on a two-lane road, and identifying their direction of travel under moderate traffic density conditions. With only 24 hours of labeled real-world traffic noise, we are able to improve counting accuracy on real-world data from $63\%$ to $88\%$ for cars and from $86\%$ to $94\%$ for commercial vehicles.

چکیده به فارسی (ترجمه ماشینی)

در طراحی راه حل های نظارت بر ترافیک برای بهینه سازی زیرساخت های تحرک شهری ، مدل های شمارش وسایل نقلیه صوتی به دلیل کارآیی هزینه و بهره وری انرژی مورد توجه قرار گرفته اند.اگرچه یادگیری عمیق برای نظارت بر ترافیک بصری مؤثر بوده است ، اما استفاده از آن به طور کامل در حوزه صوتی مورد بررسی قرار نگرفته است ، احتمالاً به دلیل کمبود داده های دنیای واقعی.در این کار ، ما یک روش جدید برای شمارش وسایل نقلیه آکوستیک با توسعه پیشنهاد می کنیم: i) یک چارچوب شبیه سازی نویز ترافیک برای سنتز رویدادهای عبور از وسیله نقلیه واقع بینانه.ب) یک استراتژی برای مخلوط کردن داده های مصنوعی و واقعی برای آموزش یک مدل یادگیری عمیق برای شمارش ترافیک.سیستم پیشنهادی قادر به شمارش همزمان اتومبیل ها و وسایل نقلیه تجاری است که در یک جاده دو خطه رانندگی می کنند و جهت سفر آنها را در شرایط تراکم متوسط ترافیک مشخص می کنند.با تنها 24 ساعت نویز ترافیک در دنیای واقعی ، ما می توانیم دقت شمارش را در داده های دنیای واقعی از 63 $ $ $ به 88 $ \ $ برای اتومبیل ها و از 86 $ \ $ تا 94 $ $ برای وسایل نقلیه تجاری بهبود بخشیم.بشر