論文の概要: Inference of Recyclable Objects with Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2104.00868v1
- Date: Fri, 2 Apr 2021 03:13:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 13:52:55.774908
- Title: Inference of Recyclable Objects with Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークによるリサイクル可能な物体の推定
- Authors: Jaime Caballero, Francisco Vergara, Randal Miranda, Jos\'e Serrac\'in
- Abstract要約: 本研究では, 畳み込みニューラルネットワークとコンピュータビジョンを用いて固形廃棄物選別の自動化ツールを開発した。
Fotini10kデータセットには、"プラスチックボトル"、"アルミ缶"、"紙と段ボール"のカテゴリに1万以上の画像があります。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Population growth in the last decades has resulted in the production of about
2.01 billion tons of municipal waste per year. The current waste management
systems are not capable of providing adequate solutions for the disposal and
use of these wastes. Recycling and reuse have proven to be a solution to the
problem, but large-scale waste segregation is a tedious task and on a small
scale it depends on public awareness. This research used convolutional neural
networks and computer vision to develop a tool for the automation of solid
waste sorting. The Fotini10k dataset was constructed, which has more than
10,000 images divided into the categories of 'plastic bottles', 'aluminum cans'
and 'paper and cardboard'. ResNet50, MobileNetV1 and MobileNetV2 were retrained
with ImageNet weights on the Fotini10k dataset. As a result, top-1 accuracy of
99% was obtained in the test dataset with all three networks. To explore the
possible use of these networks in mobile applications, the three nets were
quantized in float16 weights. By doing so, it was possible to obtain inference
times twice as low for Raspberry Pi and three times as low for computer
processing units. It was also possible to reduce the size of the networks by
half. When quantizing the top-1 accuracy of 99% was maintained with all three
networks. When quantizing MobileNetV2 to int-8, it obtained a top-1 accuracy of
97%.
- Abstract(参考訳): 過去数十年の人口増加により、年間約210億トンの都市ごみが生産されている。
現在の廃棄物管理システムは, 廃棄物の処理・利用に十分な解決策を提供できない。
リサイクルと再利用は問題の解決法として証明されているが, 大規模廃棄物の分離は面倒な作業であり, 小規模では公衆の意識に依存する。
本研究は畳み込みニューラルネットワークとコンピュータビジョンを用いて固形廃棄物選別の自動化ツールを開発した。
Fotini10kデータセットは、1万枚以上の画像が「プラスチックボトル」、「アルミニウム缶」、「紙と段ボール」のカテゴリに分けられている。
ResNet50、MobileNetV1、MobileNetV2は、Fotini10kデータセット上のImageNet重みで再トレーニングされた。
その結果、3つのネットワークすべてでテストデータセットでトップ1の99%の精度が得られた。
モバイルアプリケーションにおけるこれらのネットワークの利用の可能性を探るため、3つのネットはfloat16重みで定量化された。
これにより、raspberry piの2倍の低さとコンピュータ処理ユニットの3倍の低さの推論が可能となった。
また、ネットワークのサイズを半分に縮小することも可能であった。
トップ1の精度を99%の精度で3つのネットワークで維持した。
MobileNetV2をint-8に量子化すると、トップ1の精度は97%に達した。
関連論文リスト
- Deep Network Pruning: A Comparative Study on CNNs in Face Recognition [47.114282145442616]
顔認識に応用したディープネットワーク圧縮法について検討する。
この方法は、SqueezeNet(1.24Mパラメータ)と人気のあるMobileNetv2(3.5M)とResNet50(23.5M)の3つのネットワーク上でテストされる。
フィルタのかなりの割合は、性能損失を最小限に抑えて取り除くことができる。
論文 参考訳(メタデータ) (2024-05-28T15:57:58Z) - Dataset Quantization [72.61936019738076]
大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。
DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
論文 参考訳(メタデータ) (2023-08-21T07:24:29Z) - PSDNet: Determination of Particle Size Distributions Using Synthetic
Soil Images and Convolutional Neural Networks [1.6572129046599933]
提案したConvNetモデルでは, 根平均二乗誤差が1.8%, 3.3%, 2.8%, 決定係数が0。
事前学習ネットワークでは, 特徴抽出モデルと伝達学習モデルを用いて, 根平均二乗誤差の2.4 %と2.8 %を得た。
論文 参考訳(メタデータ) (2023-03-07T22:42:13Z) - Multipod Convolutional Network [2.1485350418225244]
我々は3つの並列ポッドネットワーク(TripodNet)が一般的に使われているオブジェクト認識データセットにおいて最良の結果をもたらすことを実験的に観察した。
TripodNetはCIFAR-10とImageNetデータセットで最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2022-10-03T02:37:57Z) - Portuguese Man-of-War Image Classification with Convolutional Neural
Networks [58.720142291102135]
ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。
本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
論文 参考訳(メタデータ) (2022-07-04T03:06:45Z) - An Experimental Study of the Impact of Pre-training on the Pruning of a
Convolutional Neural Network [0.0]
近年、ディープニューラルネットワークは様々なアプリケーション領域で広く成功している。
ディープニューラルネットワークは通常、ネットワークの重みに対応する多数のパラメータを含む。
プルーニング法は特に、無関係な重みを識別して取り除くことにより、パラメータセットのサイズを減らそうとしている。
論文 参考訳(メタデータ) (2021-12-15T16:02:15Z) - Subtensor Quantization for Mobilenets [5.735035463793008]
ディープニューラルネットワーク(DNN)の量子化により、開発者はより少ないメモリとより効率的な低消費電力推論でモデルをデプロイできるようになった。
本稿では,量子化損失の根本原因について分析し,チャネル単位やトレーニング対応のアプローチに依存しない代替案を提案する。
我々は、ImageNetデータセット上の画像分類タスクと、浮動小数点バージョンの0.7%以内で、トレーニング後の量子化8ビット推論トップ1の精度を評価する。
論文 参考訳(メタデータ) (2020-11-04T15:41:47Z) - Model Rubik's Cube: Twisting Resolution, Depth and Width for TinyNets [65.28292822614418]
解像度、深さ、幅を同時に拡大する巨大な公式は、ニューラルネットワークのためのルービックキューブを提供する。
本稿では,最小モデルサイズと計算コストで深層ニューラルネットワークを得るためのツイストルールを検討することを目的とする。
論文 参考訳(メタデータ) (2020-10-28T08:49:45Z) - Improved Residual Networks for Image and Video Recognition [98.10703825716142]
ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。
ベースライン上での精度と学習収束性を一貫した改善を示す。
提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
論文 参考訳(メタデータ) (2020-04-10T11:09:50Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳(メタデータ) (2020-02-03T04:11:13Z)
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。