論文の概要: LoRaWAN Based Dynamic Noise Mapping with Machine Learning for Urban Noise Enforcement
- arxiv url: http://arxiv.org/abs/2407.21204v1
- Date: Tue, 30 Jul 2024 21:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 19:14:52.990476
- Title: LoRaWAN Based Dynamic Noise Mapping with Machine Learning for Urban Noise Enforcement
- Title（参考訳）: 都市騒音強調のための機械学習を用いたLoRaWANを用いた動的騒音マッピング
- Authors: H. Emre Erdem, Henry Leung,
- Abstract要約: 広域にわたる長期騒音レベルを示す静的騒音マップは、自治体にとって貴重な都市計画資産である。
過渡的な振る舞いを頻繁に訴える非交通ノイズ源は、通常静的マップによって無視される。
本稿では,低消費電力広帯域ネットワーク(LPWAN)ベースのモノのインターネット(IoT)インフラストラクチャを用いて収集したデータを用いた動的ノイズマッピング手法を提案する。
- 参考スコア（独自算出の注目度）: 8.010966370223985
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Static noise maps depicting long-term noise levels over wide areas are valuable urban planning assets for municipalities in decreasing noise exposure of residents. However, non-traffic noise sources with transient behavior, which people complain frequently, are usually ignored by static maps. We propose here a dynamic noise mapping approach using the data collected via low-power wide-area network (LPWAN, specifically LoRaWAN) based internet of things (IoT) infrastructure, which is one of the most common communication backbones for smart cities. Noise mapping based on LPWAN is challenging due to the low data rates of these protocols. The proposed dynamic noise mapping approach diminishes the negative implications of data rate limitations using machine learning (ML) for event and location prediction of non-traffic sources based on the scarce data. The strength of these models lies in their consideration of the spatial variance in acoustic behavior caused by the buildings in urban settings. The effectiveness of the proposed method and the accuracy of the resulting dynamic maps are evaluated in field tests. The results show that the proposed system can decrease the map error caused by non-traffic sources up to 51% and can stay effective under significant packet losses.
- Abstract（参考訳）: 広域にわたる長期騒音レベルを示す静的騒音マップは、住民の騒音曝露を減らす自治体にとって貴重な都市計画資産である。
しかし、過渡的な振る舞いを頻繁に訴える非交通ノイズ源は通常、静的マップによって無視される。
本稿では,低消費電力広帯域ネットワーク(LPWAN,特にLoRaWAN)ベースのモノのインターネット(IoT)インフラストラクチャを通じて収集したデータを用いた動的ノイズマッピング手法を提案する。
LPWANに基づくノイズマッピングは,これらのプロトコルのデータレートが低いため困難である。
提案した動的ノイズマッピング手法は、不足データに基づく非交通源の事象および位置予測に機械学習(ML)を用いて、データレート制限の負の影響を低減させる。
これらのモデルの強みは、都市環境における建物による音響的挙動の空間的ばらつきを考慮したものである。
提案手法の有効性と結果の動的マップの精度を実地試験で評価した。
その結果,提案システムでは,非トラヒックソースによるマップエラーを51%まで低減し,パケット損失が大きい場合の有効性を維持できることがわかった。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Physics-guided Noise Neural Proxy for Practical Low-light Raw Image
Denoising [22.11250276261829]
近年,低照度生画像復調訓練の主流は,合成データの利用に移行している。
実世界のセンサのノイズ分布を特徴付けるノイズモデリングは,合成データの有効性と実用性に大きな影響を及ぼす。
そこで本研究では,実データではなく,暗黒フレームからノイズモデルを学習し,データ依存を分解する手法を提案する。
論文 参考訳（メタデータ） (2023-10-13T14:14:43Z) - Understanding and Mitigating the Label Noise in Pre-training on
Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。
雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2023-09-29T06:18:15Z) - Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える
本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
論文 参考訳（メタデータ） (2023-08-03T08:31:31Z) - NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。
我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
論文 参考訳（メタデータ） (2022-12-14T08:19:30Z) - Transfer learning for self-supervised, blind-spot seismic denoising [0.0]
本研究では、関心のフィールドデータセットに自己教師付きで微調整を行う前に、フリグリ生成された合成データセット上でネットワークを初期的に教師付きで訓練することを提案する。
ピーク信号-雑音比の変化やノイズの低減,信号漏れの観測などを考慮すると,教師付きベーストレーニングによる重み付けによる自己教師ネットワークの初期化のメリットは明らかである。
論文 参考訳（メタデータ） (2022-09-25T12:58:10Z) - Urban Rhapsody: Large-scale exploration of urban soundscapes [12.997538969557649]
騒音は都市環境の主要な品質問題の一つである。
環境騒音レベルを高時間分解能で監視するために、低コストのセンサーを配置することができる。
それらが生成するデータの量とデータの複雑さは、重要な分析上の課題を生じさせる。
本稿では,最先端の音声表現,機械学習,視覚分析を組み合わせたフレームワークであるUrban Rhapsodyを提案する。
論文 参考訳（メタデータ） (2022-05-25T22:02:36Z) - The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。
特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文 参考訳（メタデータ） (2022-03-02T13:59:20Z) - The potential of self-supervised networks for random noise suppression
in seismic data [0.0]
ブラインド・スポット・ネットワークは地震データにおけるランダムノイズの効率的な抑制効果を示す。
結果は、FXデコンボリューションとCurvelet変換という2つの一般的なランダムな復調手法と比較される。
これは、地震の応用における自己教師あり学習の活用の始まりにすぎないと我々は信じている。
論文 参考訳（メタデータ） (2021-09-15T14:57:43Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - Ground Roll Suppression using Convolutional Neural Networks [0.0]
グラウンドロールノイズは、プリスタック地震データで観測される最も困難で一般的なノイズの1つである。
我々は、畳み込みニューラルネットワークの非線形特性を利用して、ショットコレクションのグラウンドロールを検出する。
地中転がり抑制を評価するための指標を提案し, 専門家によるフィルタリングと比較して強い結果を報告する。
論文 参考訳（メタデータ） (2020-10-28T20:21:21Z)
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。