Fugu-MT 論文翻訳(概要): AQIFormer: A Transformer-Based Multi-View Architecture for Cross-City Air Quality Classification

論文の概要: AQIFormer: A Transformer-Based Multi-View Architecture for Cross-City Air Quality Classification

arxiv url: http://arxiv.org/abs/2606.07648v1
Date: Tue, 02 Jun 2026 11:51:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-09 14:42:05.186099
Title: AQIFormer: A Transformer-Based Multi-View Architecture for Cross-City Air Quality Classification
Title（参考訳）: AQIFormer: 都市間空気品質分類のためのトランスフォーマーベースのマルチビューアーキテクチャ
Abstract要約: 大気汚染は世界の環境と公衆衛生の最も重要な課題の1つである。交通現場における大気汚染物質の視覚的特性を活用することで, 画像に基づく大気質推定が有望な代替手段として浮上している。本稿では、新しいトランスフォーマーベースのアンサンブルアーキテクチャであるAQIFormerを提案する。
参考スコア（独自算出の注目度）: 0.2799896314754614
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Air pollution represents one of the most critical environmental and public health challenges globally, with traditional sensor-based monitoring systems facing significant scalability and economic constraints. Image-based air quality estimation has emerged as a promising alternative, leveraging the visual characteristics of atmospheric pollutants in traffic scenes. However, existing methods suffer from limited cross-city generalization and inadequate exploitation of multi-view perspectives. We present AQIFormer, a novel transformer-based ensemble architecture that addresses these fundamental limitations through innovative dual-view integration, weather-aware attention mechanisms, and comprehensive multi-task learning. Our approach uniquely combines front and rear traffic imagery with meteorological parameters to achieve robust air quality classification across diverse urban environments. Extensive evaluation on a comprehensive dataset of 26,678 synchronized front-rear image pairs demonstrates good performance with 89.96% accuracy, representing a 14.96% improvement over state-of-the-art methods. Most importantly, our model maintains exceptional cross-city generalization capabilities, achieving 81.67% accuracy on an independent dataset collected in Nagpur, India with only 8.29% performance degradation using few-shot adaptation with minimal training samples.
Abstract（参考訳）: 大気汚染は世界中の環境と公衆の健康に最も重要な課題の1つであり、従来のセンサーベースの監視システムは、大きなスケーラビリティと経済的な制約に直面している。交通現場における大気汚染物質の視覚的特性を活用することで, 画像に基づく大気質推定が有望な代替手段として浮上している。しかし,既存手法では,都市間一般化が限定的であり,多視点視点の活用が不十分である。本稿では、新しいトランスフォーマーベースのアンサンブルアーキテクチャであるAQIFormerを提案する。本手法は, 前・後部交通画像と気象パラメータを一意に組み合わせて, 多様な都市環境にまたがるロバストな空気質分類を実現する。 26,678の同期フロントリアイメージペアの包括的なデータセットに対する広範囲な評価は、89.96%の精度で優れた性能を示し、最先端の手法よりも14.96%改善されている。最も重要なことは、我々のモデルは例外的な都市間一般化能力を維持しており、最小限のトレーニングサンプルを用いて、わずか8.29%のパフォーマンス劣化でインド・ナグルで収集された独立したデータセットに対して81.67%の精度を達成している。

関連論文リスト

TopoFlow: Physics-guided Neural Networks for high-resolution air quality prediction [8.841726805480361]
TopoFlowは、効率的な高解像度空気品質予測のための物理誘導型ニューラルネットワークである。汚染物質動態を規定する要因として,地形と風向の2つがあげられる。 TopoFlowのPM2.5 RMSEは9.71 ug/m3で、運用予測システムよりも71-80%改善されている。
論文参考訳（メタデータ） (2026-02-18T19:38:11Z)
Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文参考訳（メタデータ） (2026-01-29T15:58:07Z)
Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
論文参考訳（メタデータ） (2025-10-28T01:18:00Z)
Air Quality Prediction Using LOESS-ARIMA and Multi-Scale CNN-BiLSTM with Residual-Gated Attention [0.0]
本稿では,LOESS分解,ARIMAモデリング,および残差対応型アテンション機構を備えたマルチスケールCNN-BiLSTMネットワークを統合したハイブリッド予測フレームワークを提案する。中央公害管理委員会による2021-2023 AQIデータセットの実験は,提案手法が統計的,深層学習,ハイブリッドベースラインを一貫して上回ることを示した。
論文参考訳（メタデータ） (2025-10-26T20:18:30Z)
A Multimodal Approach to Heritage Preservation in the Context of Climate Change [0.0]
本稿では,センサデータ(温度,湿度)と視覚画像とを融合させて,遺産の重症度を予測する軽量なマルチモーダルアーキテクチャを提案する。ストラスブール大聖堂からのデータでは、標準的なマルチモーダルアーキテクチャよりも43%向上した76.9%のアクク・レシーを達成した。
論文参考訳（メタデータ） (2025-10-15T22:07:57Z)
Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文参考訳（メタデータ） (2025-10-08T10:09:47Z)
EyeSim-VQA: A Free-Energy-Guided Eye Simulation Framework for Video Quality Assessment [68.77813885751308]
EyeSimVQAは、自由エネルギーベースの自己修復を取り入れた新しいVQAフレームワークである。現状の手法と比較して,EyeSimVQAは競争力や性能に優れることを示す。
論文参考訳（メタデータ） (2025-06-13T08:00:54Z)
FuXi-Air: Urban Air Quality Forecasting Based on Emission-Meteorology-Pollutant multimodal Machine Learning [22.270124698874934]
高精度な空気質予測を支援するために,マルチモーダルデータ融合に基づく空気質予測モデルFuXi-Airを構築した。このモデルでは、主要な大気汚染物質6種の72時間の予測を、25～30秒以内に複数の監視地点で時間分解能で完了させることに成功した。
論文参考訳（メタデータ） (2025-06-09T10:27:50Z)
Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
論文参考訳（メタデータ） (2024-07-18T10:26:53Z)
HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method [8.86417830514213]
HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
論文参考訳（メタデータ） (2021-01-12T02:31:14Z)
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)
Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。