Fugu-MT 論文翻訳(概要): A Method for Waste Segregation using Convolutional Neural Networks

論文の概要: A Method for Waste Segregation using Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2202.12258v1
Date: Wed, 23 Feb 2022 14:32:10 GMT
ステータス: 処理完了
システム内更新日: 2022-02-26 09:50:02.784685
Title: A Method for Waste Segregation using Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークを用いた廃棄物の分離法
Authors: Jash Shah and Sagar Kamat
Abstract要約: 本稿では, 廃棄物分類の問題を解決するために, ディープラーニングアルゴリズムを用いた手法を提案する。提案手法の精度は94.9%である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Segregation of garbage is a primary concern in many nations across the world. Even though we are in the modern era, many people still do not know how to distinguish between organic and recyclable waste. It is because of this that the world is facing a major crisis of waste disposal. In this paper, we try to use deep learning algorithms to help solve this problem of waste classification. The waste is classified into two categories like organic and recyclable. Our proposed model achieves an accuracy of 94.9%. Although the other two models also show promising results, the Proposed Model stands out with the greatest accuracy. With the help of deep learning, one of the greatest obstacles to efficient waste management can finally be removed.
Abstract（参考訳）: ゴミの分離は世界中の多くの国で主要な関心事である。現代でも、有機廃棄物とリサイクル廃棄物を区別する方法を知らない人は多い。そのため、世界は廃棄物処理の深刻な危機に直面している。本稿では, 廃棄物分類の問題を解決するために, 深層学習アルゴリズムの活用を試みる。廃棄物は有機物とリサイクル性の2つのカテゴリーに分類される。提案手法の精度は94.9%である。他の2つのモデルも有望な結果を示しているが、Proposed Modelは最大の精度で際立っている。ディープラーニングの助けを借りて、効率的な廃棄物管理の最大の障害の1つを最終的に取り除くことができる。

関連論文リスト

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)
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)
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)
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)
AI Based Waste classifier with Thermo-Rapid Composting [0.0]
コンピュータビジョン(CV)と深層学習(DL)を用いた新しい廃棄物分類手法を提案する。コンポスト化Berkley法(BKC)による生分解性廃棄物の分解
論文参考訳（メタデータ） (2021-08-03T10:06:19Z)
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)
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)
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)
Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems [84.3996727203154]
コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。我々はCLRecをさらに改良し、マルチCLRecを提案する。提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
論文参考訳（メタデータ） (2020-05-20T08:15:23Z)
Comparative Analysis of Multiple Deep CNN Models for Waste Classification [0.0]
このプロジェクトはよく知られたDeep Learning Networkアーキテクチャを、独自の取り組みとTrush Netを組み合わせたデータセットによる廃棄物分類でテストした。ダストビンの形で作られたハードウェアは、それらの廃棄物を異なる区画に分離するために使用される。
論文参考訳（メタデータ） (2020-04-05T11:50:27Z)

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。