論文の概要: LDAC-Net: A Learnable Multi-Lag Differencing Attention-Convolution Network for Drift-Robust Recognition with Low-Cost MOX Gas Sensors
- arxiv url: http://arxiv.org/abs/2608.25646v1
- Date: Wed, 26 Aug 2026 11:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.781299
- Title: LDAC-Net: A Learnable Multi-Lag Differencing Attention-Convolution Network for Drift-Robust Recognition with Low-Cost MOX Gas Sensors
- Title（参考訳）: LDAC-Net:低コストMOXガスセンサを用いたドリフトロバスト認識のための学習可能なマルチラグディフレクション・アテンション・コンボリューションネットワーク
- Abstract要約: 安価な金属酸化物(MOX)ガスセンサをベースとしたポータブル電子ノイズシステムは、ガスと臭気の認識に実用的なソリューションを提供する。
既存のパイプラインは通常、固定された一階時間差分(FOTD)を使用する。
LDAC-Netは,マルチチャネルMOX信号で直接動作する,注目畳み込みネットワークとは違い,エンドツーエンドで学習可能なマルチラグである。
- 参考スコア（独自算出の注目度）: 6.156377010595533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Portable electronic-nose systems based on low-cost metal-oxide (MOX) gas sensors offer a practical solution for gas and odour recognition, but their signals are affected by slow chemical transients, drifting sensor offsets, scale variation, and cross-channel correlations. Existing pipelines commonly use fixed first-order temporal differencing (FOTD), which requires a manually selected lag and may discard useful response information. We propose LDAC-Net, an end-to-end learnable multi-lag differencing attention-convolution network that operates directly on multi-channel MOX signals. Its learnable differential feature enhancement front-end combines window-conditioned statistical affine normalisation, which compensates for window-specific offset and scale variation, with learnable multi-lag differencing, which weights and combines temporal differences across multiple lags. A compact attention-convolution backbone subsequently models local transients and longer-range temporal dependencies. On the 50-class SmellNet-Base task, LDAC-Net achieves 68.2% top-1 accuracy, exceeding the best FOTD-preprocessed comparison model by approximately 14 percentage points and the raw-input Transformer by more than 30 points. Ablation studies confirm the contributions of both proposed components. The representation also transfers to SmellNet-Mixtures, improving accuracy from 45.4% to 50.5%, and generalises to the 62-channel eNose-Drift benchmark under strong long-term drift, achieving 70.6% top-1 accuracy and 69.6% macro-F1. These results outperform the best comparison model with dataset-retuned FOTD preprocessing by 8.0 and 3.0 points, respectively, demonstrating that learnable, sensor-aware preprocessing is more effective than fixed handcrafted differencing for low-cost MOX gas-sensor recognition.
- Abstract（参考訳）: 安価な金属酸化物(MOX)ガスセンサをベースとしたポータブル電子ノイズシステムは、ガスと臭気の認識に実用的なソリューションを提供するが、その信号は緩やかな化学遷移、ドリフトセンサーオフセット、スケール変動、チャネル間の相関の影響を受けている。
既存のパイプラインは通常、固定された一階時間差分(FOTD)を使用する。
LDAC-Netは,マルチチャネルMOX信号で直接動作する,注目畳み込みネットワークとは違い,エンドツーエンドで学習可能なマルチラグである。
学習可能な差分特徴強調フロントエンドは、ウィンドウ固有のオフセットとスケールの変動を補償するウィンドウ条件の統計アフィン正規化と、複数のラグの時間差を重み付け、結合する学習可能なマルチラグ差分処理を組み合わせたものである。
コンパクトなアテンション畳み込みバックボーンはその後、局所的な過渡性とより長い時間的依存をモデル化する。
50クラスのSmellNet-Baseタスクでは、LDAC-Netは68.2%のトップ1の精度を達成し、FOTD前処理比較モデルでは14ポイント、生入力トランスフォーマーでは30ポイント以上である。
アブレーション研究は、両方の提案されたコンポーネントの寄与を裏付ける。
また、この表現はSmellNet-Mixturesに転送され、精度は45.4%から50.5%に向上し、62チャンネルのeNose-Driftベンチマークに拡張され、70.6%のトップ1の精度と69.6%のマクロF1を達成した。
これらの結果は、データセット修正されたFOTD前処理を8.0ポイント、3.0ポイントで比較し、低コストのMOXガスセンサ認識において、手作業による差分よりも学習可能なセンサ対応前処理の方が有効であることを示した。
関連論文リスト
- Boundary-Aligned Contribution Routing for Robust Optical--SAR Object Detection [8.665369041430969]
光-SAR融合はリモートセンシングオブジェクト検出に魅力的である。
しかし、不完全な空間的、時間的、意味的な対応は、不完全なストリームを条件付きで有害にすることができる。
我々は,検出監視のみを用いてタスク条件付きコントリビューションルーティングを学習する。
論文 参考訳（メタデータ） (2026-08-15T14:37:23Z) - CLEAR-MoE: Shared-Basis Expert Extraction from Frozen Vision Transformers via Calibration-Driven Layer Selection [0.0]
CLEAR-MoEは、凍結した事前訓練されたビジョントランスフォーマー(ViT)をバックボーン重みを更新することなく、スパースミクチャー・オブ・エクササイズ(MoE)モデルに変換するポストトレーニングパイプラインである。
GTX 960では、ルーティングと散乱計のオーバーヘッドにより、CLEAR-MoE FFN 1.3-1.7xは高密度ルータよりも遅い。
論文 参考訳（メタデータ） (2026-06-26T18:12:03Z) - EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。
多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。
本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
論文 参考訳（メタデータ） (2026-05-27T11:13:58Z) - Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - Development of ML model for triboelectric nanogenerator based sign language detection system [0.0]
聴覚と聴覚のコミュニケーションギャップを埋めるためには手話認識が不可欠である。
本研究は、カスタムトライボ誘電体ナノジェネレータ(TENG)を用いたセンサグローブにおける機械学習(ML)とディープラーニングモデルの比較を示す。
提案したMFCC CNN-LSTMアーキテクチャは、融合前の独立した畳み込み枝を通じて各センサから周波数領域の特徴を処理する。
論文 参考訳（メタデータ） (2026-03-26T08:35:02Z) - $D^3$-RSMDE: 40$\ imes$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。
視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。
リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。
D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
論文 参考訳（メタデータ） (2026-03-17T10:50:36Z) - MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。
MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。
MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
論文 参考訳（メタデータ） (2025-10-26T08:47:20Z) - LD-RPMNet: Near-Sensor Diagnosis for Railway Point Machines [9.85616523216096]
本研究では,トランスフォーマーと畳み込みニューラルネットワークを統合したLD-RPMNetという軽量モデルを提案する。
鉄道車両の運転中に収集した音信号に基づく実験結果から, 最適化されたモデルによりパラメータ数と計算複雑性を50%低減できることが示された。
このことは、鉄道車両における近接センサ故障診断の応用の可能性を示している。
論文 参考訳（メタデータ） (2025-06-01T17:30:19Z) - RS-vHeat: Heat Conduction Guided Efficient Remote Sensing Foundation Model [59.37279559684668]
本稿では,効率的なマルチモーダルリモートセンシング基盤モデルであるRS-vHeatを紹介する。
具体的には、RS-vHeatは、O(N1.5)$の複雑さを持つ熱伝導演算子(HCO)と、大域的受容場を適用している。
注意に基づくリモートセンシング基礎モデルと比較して、メモリ使用量を84%削減し、FLOPを24%削減し、スループットを2.7倍改善する。
論文 参考訳（メタデータ） (2024-11-27T01:43:38Z) - D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement [37.78880948551719]
D-FINEは、優れた位置決め精度を実現する強力なリアルタイム物体検出器である。
D-FINEは、FDRとGlobal Optimal Localization Self-Distillation(GO-LSD)の2つの重要なコンポーネントから構成される。
Objects365で事前訓練された場合、D-FINE-L / Xは57.1% / 59.3%APとなり、既存のリアルタイム検出器を全て上回っている。
論文 参考訳（メタデータ） (2024-10-17T17:57:01Z) - Deep Learning-based Machine Condition Diagnosis using Short-time Fourier Transformation Variants [0.0]
本研究では,短時間フーリエ変換(STFT)法を用いた時系列モータ電流信号を時間周波数2Dプロットに変換する。
従来の畳み込みニューラルネットワーク(CNN)アーキテクチャに基づくディープラーニング(DL)モデルをトレーニングし、検証する。
4つの手法が93.20%の精度で過去の最高のML法を上回り、5つの手法はそれぞれ80.25、74.80、82.80%の精度で以前の2Dプロット法を上回りました。
論文 参考訳（メタデータ） (2024-08-19T02:16:17Z) - CoDeNet: Efficient Deployment of Input-Adaptive Object Detection on
Embedded FPGAs [41.43273142203345]
FPGAの柔軟性を利用して、変形可能な畳み込みを伴う新しいオブジェクト検出パイプラインを開発する。
高効率実装では、ソリューションは毎秒26.9フレームに達し、小さなモデルサイズは0.76MBである。
我々のモデルはPascal VOCで67.1 AP50に達し、パラメータは20.9倍小さいがTiny-YOLOより10%正確である。
論文 参考訳（メタデータ） (2020-06-12T17:56:47Z)
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。