論文の概要: EWasteNet: A Two-Stream Data Efficient Image Transformer Approach for
E-Waste Classification
- arxiv url: http://arxiv.org/abs/2311.12823v1
- Date: Thu, 28 Sep 2023 13:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 15:33:17.763815
- Title: EWasteNet: A Two-Stream Data Efficient Image Transformer Approach for
E-Waste Classification
- Title(参考訳): EWasteNet:E-Waste分類のための2ストリームデータ効率の良い画像変換器アプローチ
- Authors: Niful Islam, Md. Mehedi Hasan Jony, Emam Hasan, Sunny Sutradhar,
Atikur Rahman, Md. Motaharul Islam
- Abstract要約: e-wasteの適切な処理は、地球環境と健康のリスクを引き起こす。
電子デバイスの8種類の画像からなる包括的データセットを提示した。
また,EWasteNetは,高精度なE-waste画像分類のための新しい2ストリームアプローチである。
- 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: Improper disposal of e-waste poses global environmental and health risks,
raising serious concerns. The accurate classification of e-waste images is
critical for efficient management and recycling. In this paper, we have
presented a comprehensive dataset comprised of eight different classes of
images of electronic devices named the E-Waste Vision Dataset. We have also
presented EWasteNet, a novel two-stream approach for precise e-waste image
classification based on a data-efficient image transformer (DeiT). The first
stream of EWasteNet passes through a sobel operator that detects the edges
while the second stream is directed through an Atrous Spatial Pyramid Pooling
and attention block where multi-scale contextual information is captured. We
train both of the streams simultaneously and their features are merged at the
decision level. The DeiT is used as the backbone of both streams. Extensive
analysis of the e-waste dataset indicates the usefulness of our method,
providing 96% accuracy in e-waste classification. The proposed approach
demonstrates significant usefulness in addressing the global concern of e-waste
management. It facilitates efficient waste management and recycling by
accurately classifying e-waste images, reducing health and safety hazards
associated with improper disposal.
- Abstract(参考訳): e-wasteの不適切な廃棄は、地球環境と健康のリスクをもたらし、深刻な懸念を引き起こす。
e-waste画像の正確な分類は効率的な管理とリサイクルに不可欠である。
本稿では,E-Waste Vision Datasetという電子デバイスの8種類の画像からなる包括的データセットを提案する。
また,データ効率のよい画像変換器(DeiT)に基づく,高精度なE-Waste画像分類手法であるEWasteNetも提案した。
EWasteNetの第1ストリームは、エッジを検出するソベル演算子を通過し、第2ストリームは、マルチスケールのコンテキスト情報をキャプチャするAtrous Space Pyramid Pooling and attention blockを経由する。
両方のストリームを同時にトレーニングし、その特徴を意思決定レベルでマージします。
DeiTは両方のストリームのバックボーンとして使用される。
e-waste データセットの大規模解析により,e-waste 分類において96% の精度が得られた。
提案手法は,e-waste管理のグローバルな懸念に対処する上で有意義な有用性を示す。
e-waste画像を正確に分類し、不適切な処理に伴う健康・安全上の危険を低減し、効率的な廃棄物管理及びリサイクルを促進する。
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) - Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。
低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。
我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
論文 参考訳(メタデータ) (2024-05-22T16:07:05Z) - 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) - Image Prior and Posterior Conditional Probability Representation for
Efficient Damage Assessment [51.631659414455825]
人的援助及び災害対応のための被害評価の定量化が重要である。
本稿では,画像先行と後部条件付き確率(IP2CP)を有効計算画像表現として開発する。
一致した前と後の画像は、1つの画像に効果的に符号化され、その画像は深層学習アプローチを用いて処理され、損傷レベルが決定される。
論文 参考訳(メタデータ) (2023-10-26T22:17:37Z) - The identification of garbage dumps in the rural areas of Cyprus through
the application of deep learning to satellite imagery [0.0]
本研究の目的は,キプロスの農村部における不法ゴミ捨て場を特定するために,人工知能技術がどの程度活用できるかを検討することである。
これには、ゴミを含むか含まないかのどちらかに分類される可能性のある、新しい画像のデータセットの収集が含まれていた。
ニューラルネットワークは、新しい画像におけるゴミの有無を認識するために訓練された。
論文 参考訳(メタデータ) (2023-07-23T05:24:20Z) - A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and
Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。
このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。
このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文 参考訳(メタデータ) (2022-06-13T19:14:06Z) - 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) - Background Adaptive Faster R-CNN for Semi-Supervised Convolutional
Object Detection of Threats in X-Ray Images [64.39996451133268]
我々は、バックグラウンド適応型高速R-CNNと呼ばれる脅威認識のための半教師付きアプローチを提案する。
本手法は,ディープラーニング分野からのドメイン適応手法を用いた2段階物体検出器の訓練手法である。
2つのドメイン識別器(1つはオブジェクト提案を識別し、もう1つは画像特徴を識別する)は、ドメイン固有の情報を符号化するのを防ぐために敵対的に訓練される。
これにより、手作業の背景から抽出した特徴の統計と実世界のデータとを一致させることで、脅威検出の誤報率を低減することができる。
論文 参考訳(メタデータ) (2020-10-02T21:05:13Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
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。