論文の概要: Comparative Analysis of Multiple Deep CNN Models for Waste Classification

• arxiv url: http://arxiv.org/abs/2004.02168v2
• Date: Fri, 14 Aug 2020 09:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 13:01:38.115732
• Title: Comparative Analysis of Multiple Deep CNN Models for Waste Classification
• Title（参考訳）: 廃棄物分類のための複数深部CNNモデルの比較分析
• Authors: Dipesh Gyawali, Alok Regmi, Aatish Shakya, Ashish Gautam, Surendra Shrestha
• Abstract要約: このプロジェクトはよく知られたDeep Learning Networkアーキテクチャを、独自の取り組みとTrush Netを組み合わせたデータセットによる廃棄物分類でテストした。 ダストビンの形で作られたハードウェアは、それらの廃棄物を異なる区画に分離するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Waste is a wealth in a wrong place. Our research focuses on analyzing possibilities for automatic waste sorting and collecting in such a way that helps it for further recycling process. Various approaches are being practiced managing waste but not efficient and require human intervention. The automatic waste segregation would fit in to fill the gap. The project tested well known Deep Learning Network architectures for waste classification with dataset combined from own endeavors and Trash Net. The convolutional neural network is used for image classification. The hardware built in the form of dustbin is used to segregate those wastes into different compartments. Without the human exercise in segregating those waste products, the study would save the precious time and would introduce the automation in the area of waste management. Municipal solid waste is a huge, renewable source of energy. The situation is win-win for both government, society and industrialists. Because of fine-tuning of the ResNet18 Network, the best validation accuracy was found to be 87.8%.
• Abstract（参考訳）: 廃棄物は間違った場所の富である。 本研究は, 廃棄物の自動選別・回収の可能性を分析し, さらなるリサイクルプロセスに役立てることを目的としている。 廃棄物の管理には様々なアプローチがとられているが、効率的ではなく人間の介入を必要とする。 自動的な廃棄物分離はギャップを埋めるために適合する。 このプロジェクトはよく知られたDeep Learning Networkアーキテクチャを、独自の取り組みとTrush Netを組み合わせたデータセットによる廃棄物分類でテストした。 畳み込みニューラルネットワークは、画像分類に使用される。 ダストビンの形で作られたハードウェアは、それらの廃棄物を異なる区画に分離するために使用される。 廃棄物を隔離する人間の運動がなければ、研究は貴重な時間を節約し、廃棄物管理の分野に自動化を導入するだろう。 都市ごみは巨大な再生可能エネルギー源である。 この状況は、政府、社会、産業の双方にとって勝利である。 ResNet18ネットワークの微調整により、最高の検証精度は87.8%であることが判明した。

関連論文リスト

• SpectralWaste Dataset: Multimodal Data for Waste Sorting Automation [46.178512739789426]
  本稿では, 廃棄物処理施設から収集した最初のデータセットであるSpectralWasteについて紹介する。 このデータセットには、分類植物によく見られるいくつかのカテゴリのオブジェクトのラベルが含まれている。 異なるオブジェクトセグメンテーションアーキテクチャを用いたパイプラインを提案し,その代替案をデータセット上で評価する。
  論文  参考訳（メタデータ） (2024-03-26T18:39:38Z)
• VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting [61.52419223232737]
  産業廃棄物の選別において、最も大きな課題の1つは入力ストリームの極端な多様性である。 産業廃棄物浄化における領域適応に関するVisDA 2022の課題について紹介する。
  論文  参考訳（メタデータ） (2023-03-26T21:38:38Z)
• ConvoWaste: An Automatic Waste Segregation Machine Using Deep Learning [0.0]
  本稿では,ConvoWasteを用いたスマートオブジェクト検出アルゴリズムを用いて,廃棄物を異なる部位に分離する機械を提案する。 本稿では, 廃棄物を正確に分類するために, 深層学習と画像処理技術を適用した。 システム全体がAndroidアプリを介して遠隔操作され、切り離されたゴミを捨てる。
  論文  参考訳（メタデータ） (2023-02-06T18:08:33Z)
• A Method for Waste Segregation using Convolutional Neural Networks [0.0]
  本稿では, 廃棄物分類の問題を解決するために, ディープラーニングアルゴリズムを用いた手法を提案する。 提案手法の精度は94.9%である。
  論文  参考訳（メタデータ） (2022-02-23T14:32:10Z)
• IoT-based Route Recommendation for an Intelligent Waste Management System [61.04795047897888]
  本研究は, 空間制約を考慮したIoT対応廃棄物管理システムにおいて, 経路推薦のためのインテリジェントなアプローチを提案する。 我々のソリューションは、ビンの状態と座標を考慮に入れた複数レベルの意思決定プロセスに基づいている。
  論文  参考訳（メタデータ） (2022-01-01T12:36:22Z)
• Classification of PS and ABS Black Plastics for WEEE Recycling Applications [63.942632088208505]
  本研究の目的は,ポリスチレン (PS) 型とアクリロニトリルブタジエン (ABS) 型の黒色プラスチックを用いて,異なる種類のプラスチックを分類できるシステムを作ることである。 畳み込みニューラルネットワークのテストと再訓練が行われ、95%の精度が得られた。 別個のテストセットを使用して平均精度は86.6%まで低下するが、結果を見てみるとABS型が100%正確に分類されていることが分かるため、すべてのエラーを蓄積するPS型である。
  論文  参考訳（メタデータ） (2021-10-20T12:47:18Z)
• AI Based Waste classifier with Thermo-Rapid Composting [0.0]
  コンピュータビジョン(CV)と深層学習(DL)を用いた新しい廃棄物分類手法を提案する。 コンポスト化Berkley法(BKC)による生分解性廃棄物の分解
  論文  参考訳（メタデータ） (2021-08-03T10:06:19Z)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet [0.0]
  誤った廃棄物処理を減らそうとする試みは、高価で不正確で混乱している。 我々は,高度に最適化されたディープラーニング技術を利用して,廃棄物をゴミ,リサイクル,コンポストに即時分類するモバイルアプリDeepWasteを提案する。 我々の最良のモデルは、50層からなるディープラーニング残留ニューラルネットワークであり、テストセットの平均精度は0.881である。
  論文  参考訳（メタデータ） (2021-01-15T04:06:25Z)

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。