論文の概要: Towards artificially intelligent recycling Improving image processing
for waste classification
- arxiv url: http://arxiv.org/abs/2108.06274v1
- Date: Mon, 9 Aug 2021 21:41:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-22 14:41:50.340514
- Title: Towards artificially intelligent recycling Improving image processing
for waste classification
- Title（参考訳）: 廃棄物分類のための画像処理の改善に向けて
- Authors: Youpeng Yu and Ryan Grammenos
- Abstract要約: 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。
- 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: The ever-increasing amount of global refuse is overwhelming the waste and
recycling management industries. The need for smart systems for environmental
monitoring and the enhancement of recycling processes is thus greater than
ever. Amongst these efforts lies IBM's Wastenet project which aims to improve
recycling by using artificial intelligence for waste classification. The work
reported in this paper builds on this project through the use of transfer
learning and data augmentation techniques to ameliorate classification
accuracy. Starting with a convolutional neural network (CNN), a systematic
approach is followed for selecting appropriate splitting ratios and for tuning
multiple training parameters including learning rate schedulers, layers
freezing, batch sizes and loss functions, in the context of the given scenario
which requires classification of waste into different recycling types. Results
are compared and contrasted using 10-fold cross validation and demonstrate that
the model developed achieves a 91.21% test accuracy. Subsequently, a range of
data augmentation techniques are then incorporated into this work including
flipping, rotation, shearing, zooming, and brightness control. Results show
that these augmentation techniques further improve the test accuracy of the
final model to 95.40%. Unlike other work reported in the field, this paper
provides full details regarding the training of the model. Furthermore, the
code for this work has been made open-source and we have demonstrated that the
model can perform successful real-time classification of recycling waste items
using a standard computer webcam.
- Abstract（参考訳）: 世界的不況の増大は、廃棄物・リサイクル管理産業を圧倒している。
環境モニタリングのためのスマートシステムの必要性とリサイクルプロセスの強化は、これまで以上に大きい。
これらの取り組みのうちの1つは、廃棄物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たIBMのWastenetプロジェクトである。
本論文で報告された研究は, 伝達学習とデータ拡張技術を用いて, 分類精度を改善することを通じて, このプロジェクトを基礎としている。
畳み込みニューラルネットワーク(CNN)から始めると、廃棄物を異なるリサイクルタイプに分類する必要があるシナリオのコンテキストにおいて、適切な分割比率を選択し、学習率スケジューラ、層凍結、バッチサイズ、損失関数を含む複数のトレーニングパラメータをチューニングするための体系的なアプローチが従う。
その結果,10倍のクロスバリデーションを用いて比較比較を行い,91.21%のテスト精度が得られた。
その後、フリップ、回転、せん断、ズーム、輝度制御を含む様々なデータ拡張技術がこの仕事に組み込まれている。
その結果、これらの拡張技術により最終モデルの試験精度は95.40%向上した。
この分野で報告されている他の研究と異なり、本論文ではモデルのトレーニングに関する詳細を述べる。
さらに,本研究のコードをオープンソースとして公開し,標準的なコンピュータウェブカメラを用いて廃棄物のリアルタイム分類を実現できることを示した。
関連論文リスト
- Advancing Recycling Efficiency: A Comparative Analysis of Deep Learning Models in Waste Classification [0.0]
本研究は, 各種深層学習モデルの解析により, リサイクルにおける廃棄物分類の押し付け問題に取り組む。
以上の結果から, 複雑な廃棄物カテゴリの精度が著しく向上することが示唆された。
この研究は, 多カテゴリー廃棄物リサイクルの今後の発展への道を開くものである。
論文 参考訳（メタデータ） (2024-11-05T03:44:54Z) - 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) - Image Recognition for Garbage Classification Based on Pixel Distribution Learning [0.0]
本研究では, 自動ゴミ分類を向上するために, 画素分布学習技術に触発された新しい手法を提案する。
この方法は、従来の畳み込みニューラルネットワーク(CNN)ベースのアプローチの限界に対処することを目的としている。
我々はKaggle Garbage分類データセットを用いて実験を行い、我々のアプローチを既存のモデルと比較し、自動ゴミ分類技術における画素分布学習の強さと効率性を実証する。
論文 参考訳（メタデータ） (2024-09-05T21:22:48Z) - Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-03-14T14:23:23Z) - 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) - A Memory Transformer Network for Incremental Learning [64.0410375349852]
本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。
素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。
これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
論文 参考訳（メタデータ） (2022-10-10T08:27:28Z) - 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) - Improving the Deployment of Recycling Classification through Efficient
Hyper-Parameter Analysis [0.0]
本稿では,協調的なリサイクル分類モデルであるWasteNetのより効率的なバージョンを開発する。
新たに開発されたモデルは、テストセット精度95.8%、実世界の精度95%、オリジナルよりも14%向上した。
私たちの加速パイプラインは、Jetson Nano組み込みデバイスで毎秒750%から24パーセントの速度でモデルスループットを向上しました。
論文 参考訳（メタデータ） (2021-10-21T10:42:14Z) - Always Be Dreaming: A New Approach for Data-Free Class-Incremental
Learning [73.24988226158497]
データフリークラスインクリメンタルラーニング(DFCIL)における高インパクト問題について考察する。
そこで本研究では, 改良型クロスエントロピートレーニングと重要重み付き特徴蒸留に寄与するDFCILの新たなインクリメンタル蒸留戦略を提案する。
本手法は,共通クラスインクリメンタルベンチマークにおけるSOTA DFCIL法と比較して,最終タスク精度(絶対差)が25.1%向上する。
論文 参考訳（メタデータ） (2021-06-17T17:56:08Z) - 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) - 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)
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。