Fugu-MT 論文翻訳(概要): MWaste: A Deep Learning Approach to Manage Household Waste

論文の概要: MWaste: A Deep Learning Approach to Manage Household Waste

arxiv url: http://arxiv.org/abs/2304.14498v1
Date: Sun, 2 Apr 2023 16:56:49 GMT
ステータス: 翻訳完了
システム内更新日: 2023-05-07 16:22:37.952726
Title: MWaste: A Deep Learning Approach to Manage Household Waste
Title（参考訳）: MWaste: 家庭廃棄物管理の深層学習アプローチ
Authors: Suman Kunwar
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computer vision methods have shown to be effective in classifying garbage into recycling categories for waste processing, existing methods are costly, imprecise, and unclear. To tackle this issue, we introduce MWaste, a mobile application that uses computer vision and deep learning techniques to classify waste materials as trash, plastic, paper, metal, glass or cardboard. Its effectiveness was tested on various neural network architectures and real-world images, achieving an average precision of 92\% on the test set. This app can help combat climate change by enabling efficient waste processing and reducing the generation of greenhouse gases caused by incorrect waste disposal.
Abstract（参考訳）: コンピュータビジョンの手法は, ごみを廃棄物処理のリサイクルカテゴリに分類するのに有効であることが示されており, 既存の手法は費用がかかり, 不正確で不明瞭である。この問題を解決するために, コンピュータビジョンとディープラーニング技術を用いて廃棄物をゴミ, プラスチック, 紙, 金属, ガラス, または段ボールに分類するモバイルアプリケーションであるmwasteを紹介する。その効果は、様々なニューラルネットワークアーキテクチャと実世界の画像でテストされ、テストセットで平均精度92\%に達した。このアプリは、効率的な廃棄物処理を可能にし、不正な廃棄物処理による温室効果ガスの発生を減らすことで、気候変動対策に役立つ。

関連論文リスト

Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification [75.09791002021947]
既存の浄化法は,前向き拡散過程を通じて一定のノイズを発生させ,その後に逆の処理を行い,クリーンな例を回復させることによって,対向的摂動を妨害することを目的としている。この方法は、前処理の均一な操作が、対向的摂動と闘いながら通常のピクセルを損なうため、根本的な欠陥がある。ニューラルネットワークの解釈可能性に基づく異種浄化戦略を提案する。本手法は,被写体モデルが注目する特定の画素に対して高強度雑音を決定的に印加する一方,残りの画素は低強度雑音のみを被写体とする。
論文参考訳（メタデータ） (2025-03-03T11:00:25Z)
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)
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)
A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。深層学習に基づく大気乱流緩和法が文献で提案されている。様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文参考訳（メタデータ） (2022-04-19T16:21:36Z)
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)
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)
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)
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)
Application of Computer Vision Techniques for Segregation of PlasticWaste based on Resin Identification Code [0.8103046443444949]
プラスチック廃棄物を識別するために, 異なる機械学習手法の設計, 訓練, 試験を提案する。提案手法では,データベースのサイズを拡大するための拡張は必要とせず,99.74%の精度を達成した。
論文参考訳（メタデータ） (2020-11-16T06:50:32Z)
GridMask Data Augmentation [76.79300104795966]
本稿では,新しいデータ拡張手法であるGridMaskを提案する。情報除去を利用して、様々なコンピュータビジョンタスクで最先端の結果を達成する。
論文参考訳（メタデータ） (2020-01-13T07:27:05Z)

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。