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
- PoTATO: A Dataset for Analyzing Polarimetric Traces of Afloat Trash Objects [7.117487088419503]
水生環境のプラスチック廃棄物は海洋生物や人間の健康に深刻なリスクをもたらす。
ディープラーニングはこのタスクの強力なツールとして広く利用されているが、その性能は屋外の光条件と水面反射によって著しく制限されている。
12,380個のラベル付きプラスチックボトルとリッチ偏光情報を含むデータセットPoTATOを紹介する。
論文 参考訳（メタデータ） (2024-09-19T11:21:24Z) - Boundless: Generating Photorealistic Synthetic Data for Object Detection in Urban Streetscapes [7.948212109423146]
本研究では,高密度都市景観におけるオブジェクト検出のための写真リアルな合成データ生成システムであるBoundlessを紹介する。
Boundlessは、大規模な実世界のデータ収集と手動のグラウンドトルースオブジェクトアノテーション(ラベル付け)を置き換えることができる
本研究では、Boundlessが生成したデータセットに基づいて学習したオブジェクト検出モデルの性能を評価する。
論文 参考訳（メタデータ） (2024-09-04T18:28:10Z) - Designing A Sustainable Marine Debris Clean-up Framework without Human Labels [0.0]
海洋の破片は、鳥類、魚、その他の動物の生命に重大な生態学的脅威をもたらす。
伝統的に残骸の堆積を評価する方法には、労働集約的かつ高価な手作業による調査が含まれる。
本研究では,ドローンが捉えた空中画像を利用して遠隔地ゴミ調査を行うフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T17:28:23Z) - 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) - 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) - 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)
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。