Fugu-MT 論文翻訳(概要): CNN waste classification project report

論文の概要: CNN waste classification project report

arxiv url: http://arxiv.org/abs/2212.11050v1
Date: Wed, 21 Dec 2022 14:49:48 GMT
ステータス: 処理完了
システム内更新日: 2023-02-19 13:14:25.882477
Title: CNN waste classification project report
Title（参考訳）: CNN廃棄物分類プロジェクト報告
Authors: Fei Wu, LiQin Zhang and An Tran
Abstract要約: 我々はCNNを分類器として使用し,携帯電話から取得した廃棄物画像の分類を行った。我々のモデルは6つの無駄クラスを高精度に識別でき、そのモデルがIOSプラットフォームに転送されることに成功した。本報告では,計画プロジェクトから着陸プロジェクトまでの基本的プロジェクト管理についても紹介する。
参考スコア（独自算出の注目度）: 11.381732176734689
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This report is about waste management project. We used CNN as classifier to classify waste image captured from mobile phone. Our model can identify 6 waste classes with highly accurate and our model is successfully transferred into IOS platform as application by swift. In addition, this report also introduced some basic project management from planning project to landing project, for instance using agile development to develop this waste app.
Abstract（参考訳）: 本報告は廃棄物管理プロジェクトに関するものである。 cnnを分類器として,携帯電話から取得した廃棄物画像の分類を行った。当社のモデルは高精度な6つのムダクラスを識別でき、swiftによってiosプラットフォームにアプリケーションとして移行することに成功しています。さらに、このレポートでは計画プロジェクトからランディングプロジェクトまでの基本的なプロジェクト管理についても紹介しています。

関連論文リスト

Apple Intelligence Foundation Language Models [109.60033785567484]
本報告では、モデルアーキテクチャ、モデルトレーニングに使用されるデータ、トレーニングプロセス、評価結果について述べる。私たちは、Responsible AIと、モデル開発全体を通して原則がどのように適用されているかに重点を置いています。
論文参考訳（メタデータ） (2024-07-29T18:38:49Z)
Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
論文参考訳（メタデータ） (2023-07-21T13:51:45Z)
Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文参考訳（メタデータ） (2023-04-05T07:28:33Z)
Navigating to Objects Specified by Images [86.9672766351891]
シミュレーションと実世界の両方でタスクを実行できるシステムを提案する。我々のモジュラー手法は探索,ゴールインスタンスの再識別,ゴールローカライゼーション,ローカルナビゲーションのサブタスクを解決する。 HM3D InstanceImageNavベンチマークでは、このシステムはベースラインのエンドツーエンドのRLポリシー7xと最先端のImageNavモデル2.3xを上回っている。
論文参考訳（メタデータ） (2023-04-03T17:58:00Z)
Efficient Semantic Segmentation on Edge Devices [7.5562201794440185]
本研究は,災害時の緊急応答にこれらのモデルを適用する可能性を検討するために,現在のセマンティックセマンティックセマンティクスモデルを解析する。実時間セマンティックセグメンテーションモデルと非実時間セマンティックセグメンテーションモデルの性能を, 対向条件下での空中画像によって制約された非実時間セマンティックセグメンテーションモデルと比較する。さらに,Hurricane Harveyの後に捉えたUAV画像を含むFlood-Netデータセット上で,複数のモデルをトレーニングし,浸水した建物と非流出した建物と浸水した道路と非流出した道路とをベンチマークした。
論文参考訳（メタデータ） (2022-12-28T04:13:11Z)
Authoring Platform for Mobile Citizen Science Apps with Client-side ML [0.0]
市民科学プロジェクトの大部分は、異なる主題の写真やビデオが必要とされる視覚データに依存している。本稿では,市民科学プロジェクトのためのモバイルアプリを簡単に作成するためのオーサリングプラットフォームを紹介する。私たちのプラットフォームで作成されたアプリは、参加者が正しいデータを認識し、データ収集プロセスの効率を高めるのに役立ちます。
論文参考訳（メタデータ） (2022-12-11T05:10:23Z)
Sign Language Detection [0.0]
このプロジェクトは特徴抽出と画像分類の背景にある概念を理解することを目的としている。トレーニングされたCNNモデルは、Android開発用のtfliteフォーマットに変換するためにも使用される。
論文参考訳（メタデータ） (2022-09-08T06:05:28Z)
Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。事前学習型視覚変換器(ViT)に基づく代替手法を提案する。標準的なデバイス上で限られたリソースで簡単に実装できる。
論文参考訳（メタデータ） (2022-07-10T19:52:20Z)
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)
Use of Bayesian Network characteristics to link project management maturity and risk of project overcost [0.0]
本稿では,ベイズネットワークの特徴を利用して専門家の知識を形式化し,プロジェクトオーバーコストデータベースから知識を抽出する。プロジェクト管理の成熟度がプロジェクト過コストのリスクに与える影響を見積もる手法を開発する。
論文参考訳（メタデータ） (2020-09-18T08:00:25Z)
Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。