Self-Updating Vehicle Monitoring Framework Employing Distributed Acoustic Sensing towards Real-World Settings

要約

最近の分散音響センシング (DAS) 技術の出現により、交通によって引き起こされる地震データの効果的な収集が容易になりました。
交通によって引き起こされる地震波は都市振動の主な原因であり、都市の探索とガバナンスを前進させるための重要な情報が含まれています。
ただし、ノイズを含む大量のデータ内で車両の動きを特定することは、大きな課題となります。
この研究では、都市環境に合わせたリアルタイムの半監視型車両監視フレームワークを紹介します。
初期トレーニングに必要な手動ラベルはほんの一部のみで、ラベルのないデータをモデルの改善に活用します。
さらに、フレームワークは、新しく収集されたラベルのないデータに自律的に適応できます。
DAS データが空間情報を保存するために 2 次元画像として物体検出を受ける前に、包括的な 1 次元信号前処理を利用してノイズを軽減しました。
さらに、速度が変化する単一の車両を追跡するために、車両の軌跡の形状を組み込んだ新しい事前損失を提案します。
モデルを評価するために、スタンフォード 2 DAS アレイからの地震データを使用した実験を実施しました。
結果は、私たちのモデルがベースライン モデル Efficient Teacher とその教師付き対応モデル YOLO (You Only Look Once) よりも精度と堅牢性の両方で優れていることを示しました。
わずか 35 枚のラベル付き画像で、私たちのモデルは YOLO の mAP 0.5:0.95 基準を 18% 上回り、Efficient Teacher よりも 7% の増加を示しました。
私たちは、自己更新のための複数の更新戦略を使用して比較実験を実施し、最適なアプローチを特定しました。
このアプローチは、単一パスですべてのデータを使用して実行される非過学習トレーニングのパフォーマンスを上回ります。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google