論文の概要: Recyclable Waste Identification Using CNN Image Recognition and Gaussian Clustering

• arxiv url: http://arxiv.org/abs/2011.01353v1
• Date: Mon, 2 Nov 2020 22:26:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 11:04:28.871857
• Title: Recyclable Waste Identification Using CNN Image Recognition and Gaussian Clustering
• Title（参考訳）: CNN画像認識とガウスクラスタリングを用いたリサイクル型廃棄物識別
• Authors: Yuheng Wang, Wen Jie Zhao, Jiahui Xu and Raymond Hong
• Abstract要約: 本稿では,両タスクを補完する畳み込みニューラルネットワーク(CNN)モデルを提案する。 モデル全体の検出率は48.4%で、最終分類精度は92.4%である。
• 参考スコア（独自算出の注目度）: 2.072259480917207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Waste recycling is an important way of saving energy and materials in the production process. In general cases recyclable objects are mixed with unrecyclable objects, which raises a need for identification and classification. This paper proposes a convolutional neural network (CNN) model to complete both tasks. The model uses transfer learning from a pretrained Resnet-50 CNN to complete feature extraction. A subsequent fully connected layer for classification was trained on the augmented TrashNet dataset [1]. In the application, sliding-window is used for image segmentation in the pre-classification stage. In the post-classification stage, the labelled sample points are integrated with Gaussian Clustering to locate the object. The resulting model has achieved an overall detection rate of 48.4% in simulation and final classification accuracy of 92.4%.
• Abstract（参考訳）: 廃棄物リサイクルは生産過程においてエネルギーと材料を節約する重要な方法である。 一般に、リサイクル可能なオブジェクトはリサイクル不可能なオブジェクトと混同され、識別と分類の必要性が高まる。 本稿では,両タスクを補完する畳み込みニューラルネットワーク(CNN)モデルを提案する。 このモデルは、事前訓練されたResnet-50 CNNからの転送学習を使用して特徴抽出を完了する。 その後の完全接続された分類層は、拡張されたsestnetデータセット[1]でトレーニングされた。 アプリケーションでは、スライディングウィンドウは、事前分類段階のイメージセグメンテーションに使用される。 分類後の段階では、ラベル付きサンプルポイントをガウスクラスタリングと統合してオブジェクトを見つける。 結果として得られたモデル全体の検出率は48.4%であり、最終分類精度は92.4%である。

関連論文リスト

• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Entropy Induced Pruning Framework for Convolutional Neural Networks [30.89967076857665]
  本稿では,各フィルタの重要性を測定するために,平均フィルタ情報エントロピー (AFIE) という指標を提案する。 提案手法は,元のモデルが十分に訓練されているかどうかに関わらず,各フィルタの安定性を評価できる。
  論文  参考訳（メタデータ） (2022-08-13T14:35:08Z)
• An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
  本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。 提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
  論文  参考訳（メタデータ） (2022-04-21T06:36:10Z)
• Transfer Learning for Instance Segmentation of Waste Bottles using Mask R-CNN Algorithm [3.3722008527102894]
  プラスチックボトルは環境に深刻な脅威をもたらす主要な汚染物質の一つである。 ボトルの自動識別と分離は、プラスチック廃棄物のリサイクルを促進することができる。 提案手法は,Microsoft COCOデータセット上で事前学習したMask R-CNNモデルを利用する。
  論文  参考訳（メタデータ） (2022-04-15T12:19:24Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Motor Imagery Classification based on CNN-GRU Network with Spatio-Temporal Feature Representation [22.488536453952964]
  近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。 脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。 脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
  論文  参考訳（メタデータ） (2021-07-15T01:05:38Z)
• Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks [0.0]
  鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。 この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。 実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
  論文  参考訳（メタデータ） (2021-03-29T12:50:06Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Set Based Stochastic Subsampling [85.5331107565578]
  本稿では,2段階間ニューラルサブサンプリングモデルを提案する。 画像分類,画像再構成,機能再構築,少数ショット分類など,様々なタスクにおいて,低いサブサンプリング率で関連ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-25T07:36:47Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。