論文の概要: pLitterStreet: Street Level Plastic Litter Detection and Mapping
- arxiv url: http://arxiv.org/abs/2401.14719v1
- Date: Fri, 26 Jan 2024 08:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 15:40:38.991821
- Title: pLitterStreet: Street Level Plastic Litter Detection and Mapping
- Title(参考訳): plitterstreet: ストリートレベルのプラスチックごみ検出とマッピング
- Authors: Sriram Reddy Mandhati, N. Lakmal Deshapriya, Chatura Lavanga Mendis,
Kavinda Gunasekara, Frank Yrle, Angsana Chaksan, Sujit Sanjeev
- Abstract要約: 本稿では, ごみごみとごみ箱の位置に着目し, 街路レベルごみのマッピング手法を提案する。
車両に搭載されたカメラで撮影した街路レベルの画像からごみやゴミを識別する深層学習技術を用いている。
提案手法で開発したオープンソースのデータセット(pLitterStreet)の詳細について述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Plastic pollution is a critical environmental issue, and detecting and
monitoring plastic litter is crucial to mitigate its impact. This paper
presents the methodology of mapping street-level litter, focusing primarily on
plastic waste and the location of trash bins. Our methodology involves
employing a deep learning technique to identify litter and trash bins from
street-level imagery taken by a camera mounted on a vehicle. Subsequently, we
utilized heat maps to visually represent the distribution of litter and trash
bins throughout cities. Additionally, we provide details about the creation of
an open-source dataset ("pLitterStreet") which was developed and utilized in
our approach. The dataset contains more than 13,000 fully annotated images
collected from vehicle-mounted cameras and includes bounding box labels. To
evaluate the effectiveness of our dataset, we tested four well known
state-of-the-art object detection algorithms (Faster R-CNN, RetinaNet, YOLOv3,
and YOLOv5), achieving an average precision (AP) above 40%. While the results
show average metrics, our experiments demonstrated the reliability of using
vehicle-mounted cameras for plastic litter mapping. The "pLitterStreet" can
also be a valuable resource for researchers and practitioners to develop and
further improve existing machine learning models for detecting and mapping
plastic litter in an urban environment. The dataset is open-source and more
details about the dataset and trained models can be found at
https://github.com/gicait/pLitter.
- Abstract(参考訳): プラスチック汚染は重要な環境問題であり、プラスチックごみの検知と監視はその影響を緩和するために不可欠である。
本稿では, プラスチック廃棄物とごみ箱の立地に着目し, 街路レベルごみのマッピング手法を提案する。
本手法は,車両に搭載されたカメラが撮影した路上画像からごみやゴミ箱を識別する深層学習手法を用いる。
その後,ヒートマップを用いて都市全体のごみやごみの分布を視覚的に表現した。
さらに、我々のアプローチで開発されたオープンソースのデータセット(pLitterStreet)の作成についての詳細を提供する。
データセットには、車載カメラから収集された13,000以上の完全な注釈付き画像と、バウンディングボックスラベルが含まれている。
本データセットの有効性を評価するため,4つの既知の最先端物体検出アルゴリズム(Faster R-CNN, RetinaNet, YOLOv3, YOLOv5)を検証し,平均精度(AP)を40%以上とした。
その結果,平均的な測定値を示したが,車載カメラを用いたプラスチックリッターマッピングの信頼性が実証された。
また、「pLitterStreet」は、都市環境におけるプラスチックごみの検出とマッピングのための既存の機械学習モデルの開発と改善を行う研究者や実践者にとって貴重な資源となる。
データセットはオープンソースで、データセットとトレーニングされたモデルの詳細はhttps://github.com/gicait/pLitter.orgで確認できる。
関連論文リスト
- Towards Viewpoint Robustness in Bird's Eye View Segmentation [85.99907496019972]
AV知覚モデルがカメラ視点の変化にどのように影響するかを考察する。
投機時のピッチ、ヨー、深さ、高さへの小さな変化は、大きな性能低下につながる。
本稿では,新しいビュー合成技術を導入し,収集したデータをターゲットリグの視点に変換する手法を提案する。
論文 参考訳(メタデータ) (2023-09-11T02:10:07Z) - CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle
Components [77.33782775860028]
車両の新たな総合ベンチマークであるCarPatchを紹介する。
内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。
グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
論文 参考訳(メタデータ) (2023-07-24T11:59:07Z) - 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 Vision for Cleaner Rivers: Harnessing Snapshot Hyperspectral Imaging
to Detect Macro-Plastic Litter [6.198237241838559]
大量のプラスチック廃棄物が内陸から海へと輸送され、地球規模で浮かぶ破片田の問題に繋がる。
河川のようなシナリオにおける計算画像を用いたマクロプラスチックごみ検出の可能性について解析する。
論文 参考訳(メタデータ) (2023-07-22T18:59:27Z) - Deteksi Sampah di Permukaan dan Dalam Perairan pada Objek Video dengan
Metode Robust and Efficient Post-Processing dan Tubelet-Level Bounding Box
Linking [0.0]
本稿では, 自動ゴミ収集ロボットにおいて, 映像オブジェクト検出に応用可能な手法について説明する。
本研究は, YOLOv5モデルとRobust & Efficient Post Processing (REPP)法と, FloWおよびRoboflowデータセット上にリンクするチューブレットレベルのバウンディングボックスを利用する。
その結果, 後処理段階とチューブレットレベルのバウンディングボックスリンクにより検出精度が向上し, YOLOv5単独と比較して約3%高い性能が得られた。
論文 参考訳(メタデータ) (2023-07-14T04:04:15Z) - Searching for Uncollected Litter with Computer Vision [0.0]
この研究は、写真メタデータとコンピュータビジョンを組み合わせて、未収集ごみが存在する場所を定量化する。
ContextデータセットのTrash sの画像は、10のカテゴリのガベージを検出するアルゴリズムを教えるために使用された。
論文 参考訳(メタデータ) (2022-11-27T06:30:03Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳(メタデータ) (2022-05-30T09:35:37Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳(メタデータ) (2022-01-12T14:48:11Z) - 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) - Semantic Segmentation on Swiss3DCities: A Benchmark Study on Aerial
Photogrammetric 3D Pointcloud Dataset [67.44497676652173]
スイスの3つの都市から採取された総面積2.7 km2$の屋外3Dポイントクラウドデータセットを紹介した。
データセットは、ポイントごとのラベルによるセマンティックセグメンテーションのために手動でアノテートされ、高解像度カメラを備えたマルチローターによって取得された画像のフォトグラムを用いて構築される。
論文 参考訳(メタデータ) (2020-12-23T21:48:47Z) - A Sim2Real Deep Learning Approach for the Transformation of Images from
Multiple Vehicle-Mounted Cameras to a Semantically Segmented Image in Bird's
Eye View [0.0]
カメラの視点を鳥の視線(BEV)に変換すると、距離をより容易に推定できる。
本稿では,複数の車載カメラから補正された360度BEV画像を得る方法について述べる。
ニューラルネットワークのアプローチは、手動でラベル付けされたデータに頼るのではなく、実世界のデータに対してうまく一般化するように、合成データセットでトレーニングされる。
論文 参考訳(メタデータ) (2020-05-08T14:54:13Z)
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。