合成数据能否提升深度声学车辆计数网络的训练？

在为优化城市交通基础设施而设计交通监测方案时，声学车辆计数模型因其成本效益和能效而受到关注。尽管深度学习在视觉交通监测中已被证明有效，但其在音频领域的应用尚未得到深入探索，这可能是由于真实世界数据的稀缺。在这项工作中，我们提出了一种新颖的声学车辆计数方法，通过开发：i) 一个交通噪声仿真框架，用于合成逼真的车辆驶过事件；ii) 一种混合合成数据与真实数据以训练用于交通计数的深度学习模型的策略。所提出的系统能够在中等交通密度条件下，同时对在双车道道路上行驶的轿车和商用车辆进行计数，并识别其行驶方向。仅使用 24 小时标注的真实世界交通噪声，我们就能将真实世界数据上的轿车计数准确率从 $63\%$ 提升至 $88\%$，商用车辆计数准确率从 $86\%$ 提升至 $94\%$。