論文の概要: AQFusionNet: Multimodal Deep Learning for Air Quality Index Prediction with Imagery and Sensor Data

• arxiv url: http://arxiv.org/abs/2509.00353v1
• Date: Sat, 30 Aug 2025 04:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.192133
• Title: AQFusionNet: Multimodal Deep Learning for Air Quality Index Prediction with Imagery and Sensor Data
• Title（参考訳）: AQFusionNet:画像とセンサデータを用いた空気質指数予測のためのマルチモーダルディープラーニング
• Authors: Koushik Ahmed Kushal, Abdullah Al Mamun,
• Abstract要約: この研究は、堅牢なAQI予測のためのマルチモーダルディープラーニングフレームワークであるAQFusionNetを紹介する。 このフレームワークは、軽量CNNバックボーンを用いた地上レベルの大気画像と汚染物質濃度データを統合する。 インドとネパールから8000以上のサンプルを採取した実験では、AQFusionNetが単調なベースラインを一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 0.6466067363961121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air pollution monitoring in resource-constrained regions remains challenging due to sparse sensor deployment and limited infrastructure. This work introduces AQFusionNet, a multimodal deep learning framework for robust Air Quality Index (AQI) prediction. The framework integrates ground-level atmospheric imagery with pollutant concentration data using lightweight CNN backbones (MobileNetV2, ResNet18, EfficientNet-B0). Visual and sensor features are combined through semantically aligned embedding spaces, enabling accurate and efficient prediction. Experiments on more than 8,000 samples from India and Nepal demonstrate that AQFusionNet consistently outperforms unimodal baselines, achieving up to 92.02% classification accuracy and an RMSE of 7.70 with the EfficientNet-B0 backbone. The model delivers an 18.5% improvement over single-modality approaches while maintaining low computational overhead, making it suitable for deployment on edge devices. AQFusionNet provides a scalable and practical solution for AQI monitoring in infrastructure-limited environments, offering robust predictive capability even under partial sensor availability.
• Abstract（参考訳）: 資源に制約のある地域での大気汚染のモニタリングは、センサーの配置が緩やかでインフラが限られているため、依然として困難である。 AQFusionNetは、堅牢な空気品質指標(AQI)予測のためのマルチモーダルなディープラーニングフレームワークである。 このフレームワークは、地上レベルの大気画像と、軽量CNNバックボーン(MobileNetV2, ResNet18, EfficientNet-B0)を用いた汚染物質濃度データを統合する。 視覚とセンサーの機能はセマンティックに整列した埋め込み空間を通じて結合され、正確で効率的な予測を可能にする。 インドとネパールから8000以上のサンプルを採取した実験では、AQFusionNetは最高92.02%の分類精度を達成し、EfficientNet-B0バックボーンのRMSEは7.70である。 このモデルは、計算オーバーヘッドを低く保ちながら、単一モダリティアプローチよりも18.5%改善し、エッジデバイスへのデプロイに適している。 AQFusionNetは、インフラストラクチャに制限された環境でのAQIモニタリングのためのスケーラブルで実用的なソリューションを提供する。

関連論文リスト

• Bridging Synthetic and Real-World Domains: A Human-in-the-Loop Weakly-Supervised Framework for Industrial Toxic Emission Segmentation [2.6954348706500766]
  産業煙のセグメンテーションは大気汚染の監視と環境保護に重要であるが、現実の環境では高コストでピクセルレベルのアノテーションが不足しているため、しばしば妨げられる。 我々はCEDANetを紹介した。CEDANetは、弱い、市民が提供したビデオレベルラベルと敵対的な特徴アライメントを統合した、クラス対応のドメイン適応フレームワークである。 CEDANetは0.414のF1スコアと0.261のスモーククラスIoUを市民のフィードバックで達成し、ベースラインモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-29T16:53:00Z)
• Efficient FPGA-accelerated Convolutional Neural Networks for Cloud Detection on CubeSats [0.5420492913071214]
  資源制約付きCubeSatミッションにおけるクラウド検出のためのFPGA加速畳み込みニューラルネットワーク(CNN)モデルの実装について述べる。 本研究では,ピクセルワイド(Pixel-NetとPatch-Net)と画像ワイド(U-NetとScene-Net)の両方のモデルを用いて,精度,レイテンシ,モデル複雑性のトレードオフをベンチマークする。 全てのモデルはFPGA後の高精度な統合を保ち、量子化とプルーニング後に最大精度がわずか0.6%低下した。
  論文  参考訳（メタデータ） (2025-04-04T19:32:47Z)
• SenseExpo: Efficient Autonomous Exploration with Prediction Information from Lightweight Neural Networks [3.6404856388891793]
  SenseExpoは、軽量な予測ネットワークに基づく効率的な自律探査フレームワークである。 我々の最小モデルでは、U-netやLaMaよりもKTHデータセットの性能が向上している。
  論文  参考訳（メタデータ） (2025-03-20T10:07:51Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Towards Generalized Entropic Sparsification for Convolutional Neural Networks [0.0]
  畳み込みニューラルネットワーク(CNN)は過度にパラメータ化されていると報告されている。 本稿では,計算可能エントロピー緩和を目的とした数学的アイデアに基づく層間データ駆動プルーニング手法を提案する。 スパースサブネットワークは、ネットワークエントロピー最小化をスペーサ性制約として使用した、事前訓練された(フル)CNNから得られる。
  論文  参考訳（メタデータ） (2024-04-06T21:33:39Z)
• Spatial Layout Consistency for 3D Semantic Segmentation [0.7614628596146599]
  本稿では,ALTMの点雲のボクセルに基づくセマンティックセマンティックセグメンテーションを実現するための,新しいディープ畳み込みニューラルネットワーク(DCNN)手法を提案する。 提案する深層学習手法であるセマンティック・ユーティリティ・ネットワーク(SUNet)は多次元・多次元ネットワークである。 実験により,SuNetの空間的レイアウトの整合性とマルチレゾリューション機能アグリゲーションにより,性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2023-03-02T03:24:21Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• POEM: 1-bit Point-wise Operations based on Expectation-Maximization for Efficient Point Cloud Processing [53.74076015905961]
  我々は,効率的なポイントクラウド処理のために,期待最大化に基づくポイントワイズ処理をBNNに導入する。 私たちのPOEMは、最先端のバイナリポイントクラウドネットワークを6.7%まで大きく上回っている。
  論文  参考訳（メタデータ） (2021-11-26T09:45:01Z)
• Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
  本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。 BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。 0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
  論文  参考訳（メタデータ） (2021-08-16T10:42:59Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。