論文の概要: ZeroWaste Dataset: Towards Automated Waste Recycling
- arxiv url: http://arxiv.org/abs/2106.02740v1
- Date: Fri, 4 Jun 2021 22:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:11:41.607978
- Title: ZeroWaste Dataset: Towards Automated Waste Recycling
- Title（参考訳）: ZeroWaste Dataset: 廃棄物の自動リサイクルを目指して
- Authors: Dina Bashkirova, Ziliang Zhu, James Akl, Fadi Alladkani, Ping Hu,
Vitaly Ablavsky, Berk Calli, Sarah Adel Bargal, Kate Saenko
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.053682077915546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Less than 35% of recyclable waste is being actually recycled in the US, which
leads to increased soil and sea pollution and is one of the major concerns of
environmental researchers as well as the common public. At the heart of the
problem is the inefficiencies of the waste sorting process (separating paper,
plastic, metal, glass, etc.) due to the extremely complex and cluttered nature
of the waste stream. Automated waste detection strategies have a great
potential to enable more efficient, reliable and safer waste sorting practices,
but the literature lacks comprehensive datasets and methodology for the
industrial waste sorting solutions. In this paper, we take a step towards
computer-aided waste detection and present the first in-the-wild
industrial-grade waste detection and segmentation dataset, ZeroWaste. This
dataset contains over1800fully segmented video frames collected from a real
waste sorting plant along with waste material labels for training and
evaluation of the segmentation methods, as well as over6000unlabeled frames
that can be further used for semi-supervised and self-supervised learning
techniques. ZeroWaste also provides frames of the conveyor belt before and
after the sorting process, comprising a novel setup that can be used for
weakly-supervised segmentation. We present baselines for fully-, semi- and
weakly-supervised segmentation methods. Our experimental results demonstrate
that state-of-the-art segmentation methods struggle to correctly detect and
classify target objects which suggests the challenging nature of our proposed
in-the-wild dataset. We believe that ZeroWastewill catalyze research in object
detection and semantic segmentation in extreme clutter as well as applications
in the recycling domain. Our project page can be found
athttp://ai.bu.edu/zerowaste/.
- Abstract（参考訳）: アメリカではリサイクル可能な廃棄物の35%以下が実際にリサイクルされており、土壌や海洋汚染が増加しており、環境研究者や一般大衆にとって大きな関心事となっている。
問題の核心は廃棄物の選別プロセス(紙、プラスチック、金属、ガラス等)の非効率性である。
廃棄物の流れが非常に複雑で散らばっているためです
自動化された廃棄物検出戦略は, より効率的で信頼性が高く, 安全な廃棄物処理を可能にする大きな可能性を持っている。
本稿では, コンピュータ支援廃棄物検出に向けて第一歩を踏み出し, 産業レベル廃棄物検出・分別データセットzerowasteを提案する。
このデータセットは、実際の廃棄物選別工場から収集された1800以上のビデオフレームと、セグメンテーション手法の訓練と評価のための廃棄物ラベルと、半教師付きおよび自己教師型学習技術にさらに使用できる6000以上の未ラベルフレームを含む。
ZeroWasteはまた、ソートプロセスの前後にコンベアベルトのフレームを提供しており、弱教師付きセグメンテーションに使用できる新しいセットアップを含んでいる。
完全・半・弱教師付きセグメンテーション手法のベースラインを提案する。
実験の結果,現在最先端のセグメンテーション手法では,対象オブジェクトを正しく検出・分類することが困難であることが示され,提案手法の課題が示唆された。
我々は、ZeroWastewillが、オブジェクトの検出とセマンティックセマンティックセグメンテーション、およびリサイクル領域での応用の研究を触媒すると考えている。
私たちのプロジェクトページはhttp://ai.bu.edu/zerowaste/.com/。
関連論文リスト
- WasteGAN: Data Augmentation for Robotic Waste Sorting through Generative Adversarial Networks [7.775894876221921]
ムダGANと呼ばれる新しいGANアーキテクチャに基づくデータ拡張手法を提案する。
提案手法は,ラベル付きサンプルのごく限られたセットから,セマンティックセグメンテーションモデルの性能を向上させることができる。
次に、ムダGAN合成データに基づいて訓練されたモデルから予測される高品質なセグメンテーションマスクを活用し、セグメンテーション・アウェア・グルーピング・ポーズを計算する。
論文 参考訳（メタデータ） (2024-09-25T15:04:21Z) - 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) - Implementing Edge Based Object Detection For Microplastic Debris [0.0]
プラスチックは、我々の日々の活動に欠かせない存在として自制している。
プラスチックの破片レベルは、埋立地のゴミ処理場に廃棄物が蓄積されるにつれて上昇し続けている。
このプロジェクトでは、サンプル画像の時間的検出で実行可能なモデルを生成することができる。
論文 参考訳（メタデータ） (2023-07-30T17:55:03Z) - 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) - DC-BENCH: Dataset Condensation Benchmark [79.18718490863908]
この研究は、データセットの凝縮に関する最初の大規模標準ベンチマークを提供する。
それは、凝縮法の生成可能性と有効性を包括的に反映する一連の評価から成り立っている。
ベンチマークライブラリは、将来の研究とアプリケーションを容易にするためにオープンソース化されている。
論文 参考訳（メタデータ） (2022-07-20T03:54:05Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Waste detection in Pomerania: non-profit project for detecting waste in
environment [0.0]
リッターは、バイオ、ガラス、金属、プラスチック、リサイクル不能、その他の紙、未知の7つのカテゴリに分類される。
提案手法は, 廃棄物検出における平均精度の70%, テストデータセットにおける分類精度の約75%を達成する。
論文 参考訳（メタデータ） (2021-05-12T09:33:22Z) - Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote
Sensing Data [64.40187171234838]
季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。
SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
論文 参考訳（メタデータ） (2021-03-30T18:26:39Z)
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。