論文の概要: TinyNina: A Resource-Efficient Edge-AI Framework for Sustainable Air Quality Monitoring via Intra-Image Satellite Super-Resolution
- arxiv url: http://arxiv.org/abs/2604.04445v1
- Date: Mon, 06 Apr 2026 05:43:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.106375
- Title: TinyNina: A Resource-Efficient Edge-AI Framework for Sustainable Air Quality Monitoring via Intra-Image Satellite Super-Resolution
- Title（参考訳）: TinyNina: 画像内超解像による持続的大気品質モニタリングのための資源効率の良いエッジAIフレームワーク
- Authors: Prasanjit Dey, Zachary Yahn, Bianca Schoen-Phelan, Soumyabrata Dev,
- Abstract要約: TinyNinaは、持続可能な環境モニタリングのためのリソース効率のよいEdge-AIフレームワークである。
これは、Sentinel-2のマルチスペクトル階層を内部トレーニングラベルとして活用する、新しい画像内学習パラダイムを実装している。
TinyNinaは、7.4ドル/m$3の最先端の平均絶対誤差(MAE)を3,276個の衛星地上局に対して達成している。
- 参考スコア（独自算出の注目度）: 3.995685365847731
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nitrogen dioxide (NO$_2$) is a primary atmospheric pollutant and a significant contributor to respiratory morbidity and urban climate-related challenges. While satellite platforms like Sentinel-2 provide global coverage, their native spatial resolution often limits the precision required, fine-grained NO$_2$ assessment. To address this, we propose TinyNina, a resource-efficient Edge-AI framework specifically engineered for sustainable environmental monitoring. TinyNina implements a novel intra-image learning paradigm that leverages the multi-spectral hierarchy of Sentinel-2 as internal training labels, effectively eliminating the dependency on costly and often unavailable external high-resolution reference datasets. The framework incorporates wavelength-specific attention gates and depthwise separable convolutions to preserve pollutant-sensitive spectral features while maintaining an ultra-lightweight footprint of only 51K parameters. Experimental results, validated against 3,276 matched satellite-ground station pairs, demonstrate that TinyNina achieves a state-of-the-art Mean Absolute Error (MAE) of 7.4 $μ$g/m$^3$. This performance represents a 95% reduction in computational overhead and 47$\times$ faster inference compared to high-capacity models such as EDSR and RCAN. By prioritizing task-specific utility and architectural efficiency, TinyNina provides a scalable, low-latency solution for real-time air quality monitoring in smart city infrastructures.
- Abstract（参考訳）: 二酸化窒素(NO$_2$)は主要な大気汚染物質であり、呼吸中毒や都市気候に関する課題に重要な貢献をする。
センチネル-2のような衛星プラットフォームは、地球規模のカバーを提供するが、その自然空間分解能はしばしば精度を制限し、細かい粒度のNO$_2$アセスメントを行う。
これを解決するために,持続可能な環境モニタリングに特化した資源効率の高いエッジAIフレームワークであるTinyNinaを提案する。
TinyNinaは、Sentinel-2のマルチスペクトル階層を内部トレーニングラベルとして活用する、新しい画像内学習パラダイムを実装している。
このフレームワークは波長特異的な注目ゲートと深度に分離可能な畳み込みを備えており、汚染物質に敏感なスペクトル特性を保ちながら、51Kパラメータの超軽量なフットプリントを維持している。
3,276個の衛星と地上の衛星をマッチングして実験した結果、TinyNinaは7.4$μ$g/m$^3$の最先端の平均絶対誤差(MAE)を達成した。
この性能は、計算オーバーヘッドの95%削減と、EDSRやRCANのような高容量モデルと比較して47$\times$高速推論である。
タスク固有のユーティリティとアーキテクチャ効率を優先することにより、TinyNinaは、スマートシティインフラストラクチャにおけるリアルタイム空気品質監視のためのスケーラブルで低レイテンシなソリューションを提供する。
関連論文リスト
- PollutionNet: A Vision Transformer Framework for Climatological Assessment of NO$_2$ and SO$_2$ Using Satellite-Ground Data Fusion [4.364999214109123]
PollutionNetは、Sentinel-5P TROPOMI 垂直柱密度(VCD)データを地上観測と統合したビジョントランスフォーマーベースのフレームワークである。
自己アテンションメカニズムを活用することで、PolutionNetはCNNやRNNモデルでしばしば見逃される複雑な依存関係をキャプチャする。
PollutionNetはベースラインモデルと比較して予測エラーを最大14%削減する。
論文 参考訳（メタデータ） (2026-03-31T15:39:26Z) - Physics-Guided Inductive Spatiotemporal Kriging for PM2.5 with Satellite Gradient Constraints [15.082346657646902]
微粒子の高分解能マッピング (PM2.5) は持続可能な都市化の基盤であるが, 地中モニタリングネットワークの空間的疎結合性により, 依然として重要な障害となっている。
本研究では,インダクティブ・テンポラル・クリグのための新しいフレームワークであるspatio-Guided Inference Network (SPIN)を提案する。
論文 参考訳（メタデータ） (2025-11-20T03:18:41Z) - Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention [50.391914489898774]
Scale-DiTは、階層的な局所的注意を低解像度のグローバルガイダンスで導入する新しい拡散フレームワークである。
軽量なLoRA適応は、デノナイズ中のグローバルパスとローカルパスをブリッジし、構造と詳細の整合性を確保する。
実験によると、Scale-DiTは2ドル以上の高速な推論とメモリ使用量の削減を実現している。
論文 参考訳（メタデータ） (2025-10-18T03:15:26Z) - Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。
複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。
低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2025-05-21T03:57:10Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection [15.935285733525962]
Spiking Underwater YOLO (SU-YOLO) は水中物体検出のためのスパイキングニューラルネットワーク(SNN)モデルである。
SU-YOLOは、整数加算のみに基づく新しいスパイクベースの水中画像復調手法を取り入れている。
その結果、Su-YOLOのmAPは78.8%、パラメータは6.97M、エネルギー消費は2.98mJであることがわかった。
論文 参考訳（メタデータ） (2025-03-31T17:59:52Z) - FOOL: Addressing the Downlink Bottleneck in Satellite Computing with Neural Feature Compression [6.768163204818034]
予測性能を保ったOECネイティブ・タスクに依存しない特徴圧縮手法を提案する。
FOOLはスループットを最大化するために高解像度の衛星画像を分割する。
低地球軌道における断続的に利用可能なネットワーク接続の特異性を含むことによって、転送コストの低減を評価する。
論文 参考訳（メタデータ） (2024-03-25T12:14:48Z) - Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement
Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。
エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文 参考訳（メタデータ） (2024-01-19T17:16:40Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Optimised Domain-engineered Crystals for Pure Telecom Photon Sources [101.18253437732933]
本稿では、ドメイン工学の達成可能な限界で動作する、テレコム波長パラメトリックダウンコンバージョン光子源を提案する。
我々は、狭帯域フィルタリングなしで、最大9,8.6pm1.1%の2光子干渉の可視性を達成できる独立した光源から光子を生成する。
論文 参考訳（メタデータ） (2021-01-20T19:00:04Z)
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。