論文の概要: Uncovering local aggregated air quality index with smartphone captured
images leveraging efficient deep convolutional neural network
- arxiv url: http://arxiv.org/abs/2308.03200v2
- Date: Tue, 26 Sep 2023 15:20:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 17:25:25.790064
- Title: Uncovering local aggregated air quality index with smartphone captured
images leveraging efficient deep convolutional neural network
- Title（参考訳）: 効率的な深部畳み込みニューラルネットワークを利用したスマートフォン画像を用いた局所集約空気質指数の探索
- Authors: Joyanta Jyoti Mondal, Md. Farhadul Islam, Raima Islam, Nowsin Kabir
Rhidi, Sarfaraz Newaz, A. B. M. Alim Al Islam, Meem Arafat Manab, Jannatun
Noor
- Abstract要約: 本稿では,スマートフォンカメラで撮影した画像を用いて,位置特異的PM2.5濃度の予測に関わる課題について検討する。
この研究の焦点はバングラデシュの首都ダッカにある。
我々の研究はディープ・コンボリューショナル・ニューラル・ニューラルネットワーク(DCNN)の開発に関わっている。
我々のモデルは、VGG19、ResNet50、MobileNetV2といった一般的なCNNモデルと同様に、位置特異的PM2.5濃度の予測において、VTやINNのような一般的なモデルよりも優れています。
- 参考スコア（独自算出の注目度）: 3.158586258239505
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The prevalence and mobility of smartphones make these a widely used tool for
environmental health research. However, their potential for determining
aggregated air quality index (AQI) based on PM2.5 concentration in specific
locations remains largely unexplored in the existing literature. In this paper,
we thoroughly examine the challenges associated with predicting
location-specific PM2.5 concentration using images taken with smartphone
cameras. The focus of our study is on Dhaka, the capital of Bangladesh, due to
its significant air pollution levels and the large population exposed to it.
Our research involves the development of a Deep Convolutional Neural Network
(DCNN), which we train using over a thousand outdoor images taken and
annotated. These photos are captured at various locations in Dhaka, and their
labels are based on PM2.5 concentration data obtained from the local US
consulate, calculated using the NowCast algorithm. Through supervised learning,
our model establishes a correlation index during training, enhancing its
ability to function as a Picture-based Predictor of PM2.5 Concentration (PPPC).
This enables the algorithm to calculate an equivalent daily averaged AQI index
from a smartphone image. Unlike, popular overly parameterized models, our model
shows resource efficiency since it uses fewer parameters. Furthermore, test
results indicate that our model outperforms popular models like ViT and INN, as
well as popular CNN-based models such as VGG19, ResNet50, and MobileNetV2, in
predicting location-specific PM2.5 concentration. Our dataset is the first
publicly available collection that includes atmospheric images and
corresponding PM2.5 measurements from Dhaka. Our code and dataset will be made
public when publishing the paper.
- Abstract（参考訳）: スマートフォンの普及と移動性は、これらを環境健康研究に広く利用している。
しかし, PM2.5濃度に基づく大気質指数(AQI)を決定する可能性については, 既存の文献では明らかにされていない。
本稿では,スマートフォンカメラで撮影した画像を用いて,位置特異的PM2.5濃度の予測に関する課題を徹底的に検討する。
私たちの研究はバングラデシュの首都ダッカに焦点をあてています。
我々の研究は、1000以上の屋外画像を撮影、注釈付けしてトレーニングする深層畳み込みニューラルネットワーク(dcnn)の開発に関するものです。
これらの写真はダッカの様々な場所で撮影され、そのラベルは米領事館から得たPM2.5濃度データに基づいて、 NowCastアルゴリズムを用いて計算されている。
教師付き学習を通じて,トレーニング中の相関指標を確立し,PM2.5濃度のイメージベース予測器(PPPC)として機能する能力を高める。
これにより、スマートフォン画像から同等の日平均AQI指数を計算することができる。
一般的なパラメータ化モデルとは異なり、パラメータが少ないため、我々のモデルはリソース効率を示す。
さらに,本モデルがVGG19,ResNet50,MobileNetV2などのCNNベースモデルよりも,位置特異的PM2.5濃度の予測に優れていることを示す。
我々のデータセットは、Dhakaによる大気画像と対応するPM2.5測定を含む、初めて公開されているコレクションである。
私たちのコードとデータセットは、論文を公開するときに公開されます。
関連論文リスト
- Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
野生のブラインド画像品質評価(IQA)は重大な課題を呈している。
大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。
事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
論文 参考訳（メタデータ） (2024-05-30T12:32:35Z) - Additional Look into GAN-based Augmentation for Deep Learning COVID-19
Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。
両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。
GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文 参考訳（メタデータ） (2024-01-26T08:28:13Z) - Gaussian Processes for Monitoring Air-Quality in Kampala [3.173497841606415]
本研究では,センサが存在しない場所での現在の大気汚染を予測し,センサ位置で将来の大気汚染を予測するためのガウス過程の活用について検討する。
私たちは、AirQoのセンサーネットワークのデータを使って、ウガンダのカンパラ市に焦点を当てています。
論文 参考訳（メタデータ） (2023-11-28T09:25:23Z) - GreenEyes: An Air Quality Evaluating Model based on WaveNet [11.513011576336744]
本稿では,シーケンスの表現を学習するためのWaveNetベースのバックボーンブロックと,テンポラルアテンションモジュールを用いたLSTMで構成されるディープニューラルネットワークモデルを提案する。
我々は,データセットから得られた空気質データの任意の部分について,次のタイムスタンプの空気質レベルを効果的に予測できることを示す。
論文 参考訳（メタデータ） (2022-12-08T10:28:57Z) - Portuguese Man-of-War Image Classification with Convolutional Neural
Networks [58.720142291102135]
ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。
本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
論文 参考訳（メタデータ） (2022-07-04T03:06:45Z) - High performing ensemble of convolutional neural networks for insect
pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。
我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。
ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-28T00:49:11Z) - Age Range Estimation using MTCNN and VGG-Face Model [0.11454121287632513]
CNNを用いた年齢範囲推定は無数の分野に応用されている。
CNNの深いモデルは、提案された作業における人々の年齢範囲の識別に使用されます。
論文 参考訳（メタデータ） (2021-04-17T15:54:14Z) - A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting
Using CEEMDAN and Deep Temporal Convolutional Neural Network [2.2175470459999636]
本研究では,適応雑音を伴う完全アンサンブル経験モード分解に基づくハイブリッド予測モデルを開発した。
提案したceemdan-deeptcnモデルの予測精度は,時系列モデル,ニューラルネットワーク,一般的なディープラーニングモデルと比較して高い値であることが確認された。
新しいモデルではPM2.5関連因子データパターンをモデル化し,PM2.5濃度を予測するための有望なツールとして利用できる。
論文 参考訳（メタデータ） (2020-12-07T15:22:01Z) - Aerial Imagery Pixel-level Segmentation [0.4079265319364249]
一般的なデータセットと空中画像データの間にパフォーマンスギャップを埋める。
私たちの研究は、最先端のDeepLabv3+ Xception65アーキテクチャを使用して、DroneDeployバリデーションセットで平均70%のIOUを実現しています。
論文 参考訳（メタデータ） (2020-12-03T16:09:09Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。