論文の概要: Application of Computer Vision Techniques for Segregation of
PlasticWaste based on Resin Identification Code
- arxiv url: http://arxiv.org/abs/2011.07747v1
- Date: Mon, 16 Nov 2020 06:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 00:23:00.571165
- Title: Application of Computer Vision Techniques for Segregation of
PlasticWaste based on Resin Identification Code
- Title（参考訳）: 樹脂識別コードに基づくプラスチックの偏析へのコンピュータビジョン技術の応用
- Authors: Shivaank Agarwal, Ravindra Gudi, Paresh Saxena
- Abstract要約: プラスチック廃棄物を識別するために, 異なる機械学習手法の設計, 訓練, 試験を提案する。
提案手法では,データベースのサイズを拡大するための拡張は必要とせず,99.74%の精度を達成した。
- 参考スコア（独自算出の注目度）: 0.8103046443444949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents methods to identify the plastic waste based on its resin
identification code to provide an efficient recycling of post-consumer plastic
waste. We propose the design, training and testing of different machine
learning techniques to (i) identify a plastic waste that belongs to the known
categories of plastic waste when the system is trained and (ii) identify a new
plastic waste that do not belong the any known categories of plastic waste
while the system is trained. For the first case,we propose the use of one-shot
learning techniques using Siamese and Triplet loss networks. Our proposed
approach does not require any augmentation to increase the size of the database
and achieved a high accuracy of 99.74%. For the second case, we propose the use
of supervised and unsupervised dimensionality reduction techniques and achieved
an accuracy of 95% to correctly identify a new plastic waste.
- Abstract（参考訳）: 本稿では, その樹脂識別コードに基づいてプラスチック廃棄物を同定し, 市販後プラスチック廃棄物の効率的なリサイクルを行う方法を提案する。
我々は,異なる機械学習手法の設計,トレーニング,テストを提案する。
(i)システムが訓練されたときに既知のプラスチック廃棄物の分類に属するプラスチック廃棄物を識別すること。
(ii) システムが訓練されている間、既知のプラスチック廃棄物のカテゴリーに属さない新しいプラスチック廃棄物を特定する。
まず,シアームと三重項損失ネットワークを用いたワンショット学習手法を提案する。
提案手法では,データベースサイズを増加させるための拡張は必要とせず,99.74%の精度を達成した。
第2のケースでは, 教師付き・教師なしの次元低減技術を用いて, 95%の精度で新しいプラスチック廃棄物を正しく同定する手法を提案する。
関連論文リスト
- Loss-Free Machine Unlearning [51.34904967046097]
我々は、再学習とラベルなしの両方の機械学習アプローチを提案する。
Retraining-freeアプローチは、損失から派生したFisher情報を利用することが多く、利用できないラベル付きデータを必要とする。
本稿では,モデル出力のl2ノルムの勾配に対して,フィッシャー情報行列の対角線を近似感度に置き換えるSelective Synaptic Dampeningアルゴリズムの拡張を提案する。
論文 参考訳（メタデータ） (2024-02-29T16:15:34Z) - Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages [56.98243487769916]
ニューラルネットワークが新しいデータで進化する能力である塑性は、高性能でサンプル効率のよい視覚強化学習に不可欠である。
本稿では,批評家の可塑性レベルに基づいてリプレイ率を動的に調整するAdaptive RRを提案する。
論文 参考訳（メタデータ） (2023-10-11T12:05:34Z) - PLASTIC: Improving Input and Label Plasticity for Sample Efficient
Reinforcement Learning [54.409634256153154]
強化学習(RL)では, サンプル効率の向上が重要である。
原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。
本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
論文 参考訳（メタデータ） (2023-06-19T06:14:51Z) - MWaste: A Deep Learning Approach to Manage Household Waste [0.0]
MWasteはコンピュータビジョンとディープラーニング技術を使って廃棄物をゴミ、プラスチック、紙、金属、ガラス、段ボールに分類するモバイルアプリケーションだ。
その効果は、さまざまなニューラルネットワークアーキテクチャや実世界の画像でテストされ、テストセットの平均精度は92%に達した。
論文 参考訳（メタデータ） (2023-04-02T16:56:49Z) - 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) - 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) - Towards artificially intelligent recycling Improving image processing
for waste classification [0.0]
IBMのWastenetプロジェクトは、廃棄物の分類に人工知能を用いてリサイクルを改善することを目的としている。
本稿では,移動学習とデータ拡張技術を用いて,このプロジェクトを基盤とする。
その結果、これらの拡張技術により、最終モデルのテスト精度は95.40%向上した。
論文 参考訳（メタデータ） (2021-08-09T21:41:48Z) - 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) - 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) - One-Shot learning based classification for segregation of plastic waste [0.8103046443444949]
本稿では, 単発学習技術を用いたプラスチック廃棄物のイメージベース分類手法を提案する。
提案手法はシアムと三重項損失畳み込みニューラルネットワークを介して生成された識別的特徴を利用して, 樹脂コードに基づく5種類のプラスチック廃棄物の識別を支援する。
論文 参考訳（メタデータ） (2020-09-29T12:16:50Z)
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。