.png){kind=icon}
返回
DustNet plus plus : Deep Learning-Based Visual Regression for Dust Density Estimation
.png){kind=icon}
OA
AI
DOI：10.1007/s11263-025-02376-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在标准RGB图像中检测空气中的粉尘存在显著挑战。然而，对空气中粉尘的监测在气候保护、环境可持续建设、科学研究及其他多个领域具有巨大潜在效益。为开发高效且稳健的空气中粉尘监测算法，需解决若干难题。空气中的粉尘可能是不透明的或半透明的，表现出密度的显著变化，且具有模糊的边界。此外，将粉尘与其他大气现象（如雾或云）区分开来可能尤为困难。为满足对高绩效且可靠的空气中粉尘监测方法的需求，我们提出DustNet++，一种用于粉尘密度估计的神经网络。DustNet++通过窗口和网格注意力机制，利用多分辨率尺度和语义层次的特征图，以线性复杂度维持稀疏、全局有效的感受野。为验证我们的方法，我们使用Meteodata空气粉尘数据集和URDE二值粉尘分割数据集，将DustNet++的性能与人群计数和单目深度估计领域的现有方法进行基准测试。我们的结果表明，DustNet++在回归和定位能力方面优于比较方法。
Keyword:
Airborne dust detection
Machine learning
Visual regression
Attention
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
A benchmark dataset for binary segmentation and quantification of dust emissions from unsealed roadsOAAI
OAAI分享收藏分享收藏Understanding the Disharmony Between Dropout and Batch Normalization by Variance Shift通过方差移位理解Dropout和批归一化之间的不协调
OAAI
OAAI分享收藏
查看更多内容