論文の概要: Analyzing mixed construction and demolition waste in material recovery facilities: evolution, challenges, and applications of computer vision and deep learning
- arxiv url: http://arxiv.org/abs/2409.13112v2
- Date: Mon, 03 Mar 2025 20:48:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:11:27.038530
- Title: Analyzing mixed construction and demolition waste in material recovery facilities: evolution, challenges, and applications of computer vision and deep learning
- Title（参考訳）: 材料回収施設における複合建設・解体廃棄物の分析--コンピュータビジョンとディープラーニングの進化・課題・応用
- Authors: Adrian Langley, Matthew Lonergan, Tao Huang, Mostafa Rahimi Azghadi,
- Abstract要約: 本稿では,データセット,センサの進展とオブジェクト検出からリアルタイムセグメンテーションモデルへの進化について検討する。
この分析は、多種多様な高忠実なデータセット、高度なセンサー技術、堅牢なアルゴリズムフレームワークに対する重要な要件を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 5.681772950719116
- License:
- Abstract: Improving the automatic and timely recognition of construction and demolition waste composition is crucial for enhancing business returns, economic outcomes and sustainability. While deep learning models show promise in recognizing and classifying homogenous materials, the current literature lacks research assessing their performance for mixed, contaminated material in commercial material recycling facility settings. Despite the increasing numbers of deep learning models and datasets generated in this area, the sub-domain of deep learning analysis of construction and demolition waste piles remains underexplored. To address this gap, recent deep learning algorithms and techniques were explored. This review examines the progression in datasets, sensors and the evolution from object detection towards real-time segmentation models. It also synthesizes research from the past five years on deep learning for construction and demolition waste management, highlighting recent advancements while acknowledging limitations that hinder widespread commercial adoption. The analysis underscores the critical requirement for diverse and high-fidelity datasets, advanced sensor technologies, and robust algorithmic frameworks to facilitate the effective integration of deep learning methodologies into construction and demolition waste management systems. This integration is envisioned to contribute significantly towards the advancement of a more sustainable and circular economic model.
- Abstract（参考訳）: 建設・解体廃棄物の自動的・タイムリーな認識の向上は, ビジネスリターン, 経済的成果, 持続可能性の向上に不可欠である。
深層学習モデルは、同種物質の認識と分類において有望であるが、現在の文献では、商業材料リサイクル施設における混入汚染物質の性能を評価する研究が欠如している。
この領域で生成された深層学習モデルやデータセットの増加にもかかわらず、建設・解体廃棄物の深層学習分析のサブドメインは未調査のままである。
このギャップに対処するため、最近のディープラーニングアルゴリズムとテクニックを探索した。
本稿では,データセット,センサの進展とオブジェクト検出からリアルタイムセグメンテーションモデルへの進化について検討する。
また、過去5年間にわたる建設・解体廃棄物管理の深層学習の研究を合成し、近年の進歩を強調しつつ、商業的普及の妨げとなる限界を認識している。
この分析は、多種多様な高忠実なデータセット、先進的なセンサー技術、堅牢なアルゴリズムフレームワークに対する重要な要件を強調し、ディープラーニングの方法論を建設と解体の廃棄物管理システムに効果的に統合することを容易にする。
この統合は、より持続的で循環的な経済モデルの発展に大きく貢献すると考えられている。
関連論文リスト
- Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。
高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。
CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
論文 参考訳（メタデータ） (2025-01-17T17:51:22Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Integrative Approaches in Cybersecurity and AI [0.0]
組織がデータを保護し、分析し、活用する方法に革命をもたらす可能性を秘めている重要なトレンド、課題、将来の方向性を特定します。
私たちの発見は、AI駆動の自動化、リアルタイム脅威検出、高度なデータ分析を取り入れて、よりレジリエンスで適応的なセキュリティアーキテクチャを構築するための、学際的な戦略の必要性を強調しています。
論文 参考訳（メタデータ） (2024-08-12T01:37:06Z) - Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - The Responsible Foundation Model Development Cheatsheet: A Review of Tools & Resources [100.23208165760114]
ファンデーションモデル開発は、急速に成長するコントリビュータ、科学者、アプリケーションを引き付けている。
責任ある開発プラクティスを形成するために、我々はFoundation Model Development Cheatsheetを紹介します。
論文 参考訳（メタデータ） (2024-06-24T15:55:49Z) - Leveraging Large Language Model for Automatic Evolving of Industrial
Data-Centric R&D Cycle [20.30730316993658]
データ駆動型ソリューションは、無数の産業課題に対処するための強力なツールとして登場しています。
データ中心のR&Dはこれらのソリューションを活用する上で重要な役割を担っているが、人間、計算、時間資源といった面では大きなコストが伴うことが多い。
本稿では,データ中心R&Dの進化サイクルを早めるために,大規模言語モデル(LLM)の可能性について検討する。
論文 参考訳（メタデータ） (2023-10-17T13:18:02Z) - Attention Paper: How Generative AI Reshapes Digital Shadow Industry? [41.38949535910943]
黒と影のインターネット産業は、デジタルリスク管理(DRM)を通じて特定および管理できる潜在的なリスクを生じさせる
本稿では、生成AI技術によって引き起こされる新しい黒と影の技法を探求し、次世代DRMシステムを構築するための洞察を提供する。
論文 参考訳（メタデータ） (2023-05-26T08:03:50Z) - ChatGPT-Like Large-Scale Foundation Models for Prognostics and Health
Management: A Survey and Roadmaps [8.62142522782743]
産業生産と設備整備において,PHM技術は重要な役割を担っている。
ChatGPTやDALLE-Eといった大規模ファンデーションモデル(LSF-Model)は、AIがAI-2.0の新しい時代に入ることを象徴している。
本稿では,LSFモデルの主要なコンポーネントと最新の開発について,体系的に解説する。
論文 参考訳（メタデータ） (2023-05-10T21:37:44Z) - Machine Learning and Artificial Intelligence in Circular Economy: A
Bibliometric Analysis and Systematic Literature Review [0.0]
循環経済(CE)は、設計段階で材料から最も高い価値を出し、再利用、リサイクル、再製造によって製品ライフサイクルのループを完成させることを目的としている。
本研究では,CEにおける応用AI技術の採用と統合について検討する。
論文 参考訳（メタデータ） (2022-04-01T07:05:13Z) - Automatic Gaze Analysis: A Survey of DeepLearning based Approaches [61.32686939754183]
視線分析はコンピュータビジョンとヒューマン・コンピュータ・インタラクションの分野で重要な研究課題である。
制約のない環境で視線方向を解釈するための重要な手がかりは何か、いくつかのオープンな質問がある。
我々は、これらの基本的な疑問に光を当てるために、様々な視線分析タスクと応用の進捗を概観する。
論文 参考訳（メタデータ） (2021-08-12T00:30:39Z) - Data-Driven Aerospace Engineering: Reframing the Industry with Machine
Learning [49.367020832638794]
航空宇宙産業は、ビッグデータと機械学習を収益化しようとしている。
最近のトレンドは、設計、製造、検証、サービスにおける重要な課題の文脈で検討される。
論文 参考訳（メタデータ） (2020-08-24T22:40:26Z)
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。