論文の概要: A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index
- arxiv url: http://arxiv.org/abs/2602.09446v1
- Date: Tue, 10 Feb 2026 06:30:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-11 20:17:43.406048
- Title: A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index
- Title（参考訳）: 都市の視覚汚染に対する深層学習のスコーピングレビューと視覚汚染指標を用いたリアルタイムモニタリングフレームワークの提案
- Authors: Mohammad Masudur Rahman, Md. Rashedur Rahman, Ashraful Islam, Saadia B Alam, M Ashraful Amin,
- Abstract要約: UVP(Urban Visual Pollution)は重要な問題として浮上しているが、自動検出と応用の研究はいまだに断片化されている。
このスコーピングレビューは、視覚汚染管理のための包括的なアプリケーションフレームワークを検出し、分類し、設計するための、既存のディープラーニングベースのアプローチをマッピングする。
- 参考スコア（独自算出の注目度）: 5.040533907382372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban Visual Pollution (UVP) has emerged as a critical concern, yet research on automatic detection and application remains fragmented. This scoping review maps the existing deep learning-based approaches for detecting, classifying, and designing a comprehensive application framework for visual pollution management. Following the PRISMA-ScR guidelines, seven academic databases (Scopus, Web of Science, IEEE Xplore, ACM DL, ScienceDirect, SpringerNatureLink, and Wiley) were systematically searched and reviewed, and 26 articles were found. Most research focuses on specific pollutant categories and employs variations of YOLO, Faster R-CNN, and EfficientDet architectures. Although several datasets exist, they are limited to specific areas and lack standardized taxonomies. Few studies integrate detection into real-time application systems, yet they tend to be geographically skewed. We proposed a framework for monitoring visual pollution that integrates a visual pollution index to assess the severity of visual pollution for a certain area. This review highlights the need for a unified UVP management system that incorporates pollutant taxonomy, a cross-city benchmark dataset, a generalized deep learning model, and an assessment index that supports sustainable urban aesthetics and enhances the well-being of urban dwellers.
- Abstract（参考訳）: UVP(Urban Visual Pollution)は重要な問題として浮上しているが、自動検出と応用の研究はいまだに断片化されている。
このスコーピングレビューは、視覚汚染管理のための包括的なアプリケーションフレームワークを検出し、分類し、設計するための、既存のディープラーニングベースのアプローチをマッピングする。
PRISMA-ScRガイドラインに従って、7つの学術データベース(Scopus、Web of Science、IEEE Xplore、ACM DL、ScienceDirect、SpringerNatureLink、Wiley)が体系的に検索され、26の論文が発見された。
ほとんどの研究は、特定の汚染物質カテゴリに焦点を当て、YOLO、Faster R-CNN、EfficientDetアーキテクチャのバリエーションを採用している。
いくつかのデータセットが存在するが、それらは特定の領域に限定され、標準化された分類体系が欠如している。
リアルタイムアプリケーションシステムに検出を統合する研究はほとんどないが、地理的に歪む傾向にある。
本研究では,視覚汚染指標を組み込んだ視覚汚染モニタリングフレームワークを提案し,特定の領域における視覚汚染の重症度を評価する。
本総説では, 汚染物質分類, 都市間ベンチマークデータセット, 総合的な深層学習モデル, 持続可能な都市美学を支援する評価指標を取り入れた統一型UVP管理システムの必要性を強調し, 都市住民の幸福感を高める。
関連論文リスト
- Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - CityAQVis: Integrated ML-Visualization Sandbox Tool for Pollutant Estimation in Urban Regions Using Multi-Source Data (Software Article) [1.108292291257035]
CityAQVisは、地上の汚染物質濃度を予測し視覚化するために設計された、インタラクティブな機械学習サンドボックスツールである。
その結果,MLによる視覚分析が,状況認識を改善し,品質管理におけるデータ駆動による意思決定を支援する可能性を強調した。
論文 参考訳（メタデータ） (2025-09-13T18:16:29Z) - Spatiotemporal Air Quality Mapping in Urban Areas Using Sparse Sensor Data, Satellite Imagery, Meteorological Factors, and Spatial Features [11.845097068829551]
本稿では,高時間空気質指標マッピングのためのフレームワークを提案する。
空間的および時間的依存関係に基づいて,非時間的位置におけるAQI値を推定する。
パキスタンのラホールにおけるケーススタディを通じて,我々のアプローチの活用について解説する。
論文 参考訳（メタデータ） (2025-01-20T04:39:13Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。
従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。
オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
論文 参考訳（メタデータ） (2024-10-19T11:11:09Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Air Pollution Hotspot Detection and Source Feature Analysis using
Cross-domain Urban Data [2.458537954999774]
汚染源に隣接する地域はしばしば環境汚染濃度が高く、これらは一般に大気汚染ホットスポットと呼ばれる。
本稿では,局所的なスパイク検出とサンプル重み付けクラスタリングを含む,モバイルセンシングデータからホットスポットを検出する2段階のアプローチを提案する。
ソフトバリデーションとして,モバイルセンシングデータを使用しない都市を対象としたホットスポット推定モデルを構築した。
論文 参考訳（メタデータ） (2022-11-15T18:44:03Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - A feature-supervised generative adversarial network for environmental
monitoring during hazy days [6.276954295407201]
本稿では,環境モニタリングのためのGAN(Generative Adversarial Network)に基づく特徴教師付き学習ネットワークを提案する。
提案手法は,合成データセットと実世界のリモートセンシング画像の両方において,最先端の手法よりも優れた性能を実現している。
論文 参考訳（メタデータ） (2020-08-05T05:27:15Z) - Symbol Spotting on Digital Architectural Floor Plans Using a Deep
Learning-based Framework [76.70609932823149]
本稿では,ディープラーニング(DL)フレームワークを用いた実世界のデジタル建築フロア計画のシンボルスポッティングに焦点を当てた。
本稿では,DLベースのオブジェクト検出ネットワークに特有な問題を避けるため,タイルに基づくトレーニング戦略を提案する。
実世界のフロアプランにおける実験により,クラス内類似度が低く,図形的複雑性が変化するアーキテクチャシンボルの検出に成功していることが示された。
論文 参考訳（メタデータ） (2020-06-01T03:16:05Z)
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。