基于双通道卷积神经网络集成学习的空气质量测量
计算机视觉与模式识别
2019-03-01 v3
摘要
环境空气质量影响着人们的生活，获取实时、准确的环境空气质量对社会活动的发展具有深远的指导意义。目前，环境空气质量测量主要采用在城市特定监测点设置空气质量探测器并定时采样分析的方法，易受时空因素限制。一些与深度学习相关的空气质量测量算法大多采用单一卷积神经网络训练整幅图像，会忽略图像不同部分的差异。本文提出一种基于双通道卷积神经网络集成学习的空气质量测量方法，以解决环境图像不同部分的特征提取问题。我们的方法主要包括两方面：双通道卷积神经网络集成学习与自学习加权特征融合。我们构建了双通道卷积神经网络，利用每个通道训练环境图像的不同部分以进行特征提取。我们提出一种特征权重自学习方法，对提取的特征向量进行加权与拼接，并利用融合后的特征向量测量空气质量。我们的方法可应用于空气质量等级测量与空气质量指数（AQI）测量两项任务。此外，我们构建了随机时间与地点条件下的环境图像数据集。实验表明，我们的方法在测试数据集上可达到近82%的准确率与较小的平均绝对误差（MAE）。同时，通过对比实验，我们证明了所提方法相比单通道卷积神经网络空气质量测量在性能上有显著提升。
引用
@article{arxiv.1902.06942,
title = {Air Quality Measurement Based on Double-Channel Convolutional Neural Network Ensemble Learning},
author = {Zhenyu Wang and Wei Zheng and Chunfeng Song},
journal= {arXiv preprint arXiv:1902.06942},
year = {2019}
}