論文の概要: Advancing Recycling Efficiency: A Comparative Analysis of Deep Learning Models in Waste Classification
- arxiv url: http://arxiv.org/abs/2411.02779v1
- Date: Tue, 05 Nov 2024 03:44:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 14:59:55.781398
- Title: Advancing Recycling Efficiency: A Comparative Analysis of Deep Learning Models in Waste Classification
- Title（参考訳）: リサイクル効率の向上: 廃棄物分類における深層学習モデルの比較分析
- Authors: Zhanshan Qiao,
- Abstract要約: 本研究は, 各種深層学習モデルの解析により, リサイクルにおける廃棄物分類の押し付け問題に取り組む。
以上の結果から, 複雑な廃棄物カテゴリの精度が著しく向上することが示唆された。
この研究は, 多カテゴリー廃棄物リサイクルの今後の発展への道を開くものである。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: With the ongoing increase in the worldwide population and escalating consumption habits,there's a surge in the amount of waste produced.The situation poses considerable challenges for waste management and the optimization of recycling operations.The research tackles the pressing issue of waste classification for recycling by analyzing various deep learning models,including Convolutional Neural Network(CNN),AlexNet,ResNet,ResNet50 plus Support Vector Machine(SVM),and transformers,across a wide array of waste categories.The research meticulously compares these models on several targets like parameters settings,category accuracy,total accuracy and model parameters to establish a uniform evaluation criterion.This research presents a novel method that incorporates SVM with deep learning frameworks,particularly ResNet50.The results indicate the method significantly boosts accuracy in complex waste categories.Moreover,the transformer model outshines others in average accuracy,showcasing its aptitude for intricate classification tasks.To improve performance in poorly performing categories,the research advocates for enlarging the dataset,employing data augmentation,and leveraging sophisticated models such as transformers,along with refining training methodologies.The research paves the way for future advancements in multi-category waste recycling and underscores the pivotal role of deep learning in promoting environmental sustainability.
- Abstract（参考訳）: 世界の人口増加と消費習慣の増大に伴い、廃棄物管理とリサイクル作業の最適化に多大な課題が生じるが、この研究は、さまざまな深層学習モデル(CNN)、AlexNet、ResNet、ResNet50、サポートベクターマシン(SVM)、およびトランスフォーマーなど、様々な廃棄物カテゴリを横断的に分析することで、リサイクルのための廃棄物分類の推進に取り組み、これらのモデルをパラメータ設定、キャテゴリー精度、トータル精度、モデルパラメータなど、パラメータ設定、カテゴリ評価基準の確立など、多面的に比較し、深層学習フレームワークを組み込んだSVMを組み込んだ新しい手法、特にResNet50において、深層学習モデルへの変換の精度の向上を図っている。
関連論文リスト
- Optimizing Waste Management with Advanced Object Detection for Garbage Classification [1.3499500088995462]
本稿では,オブジェクト検出によるゴミの分類のためのAIモデルの実装についてレビューする。
この研究は、YOLO V5がプラスチック、紙、ガラス、金属、段ボール、生分解性物質など、様々な種類の廃棄物を効果的に識別する方法を実証している。
論文 参考訳（メタデータ） (2024-10-13T19:32:01Z) - 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) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Back to Basics: A Simple Recipe for Improving Out-of-Domain Retrieval in
Dense Encoders [63.28408887247742]
得られたモデルにおいて,より優れた一般化能力を得るために,トレーニング手順の改善が可能であるかを検討する。
我々は、高密度エンコーダをトレーニングするための簡単なレシピを推奨する: LoRAのようなパラメータ効率のよいMSMARCOのトレーニング。
論文 参考訳（メタデータ） (2023-11-16T10:42:58Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Target Variable Engineering [0.0]
数値的対象を予測するために訓練された回帰モデルの予測性能と、2項化対象を予測するために訓練された分類器を比較した。
回帰は最適性能に収束するためには、はるかに多くの計算作業を必要とする。
論文 参考訳（メタデータ） (2023-10-13T23:12:21Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - 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) - Improving Sample and Feature Selection with Principal Covariates
Regression [0.0]
この目的に応用された2つの人気のあるサブセレクション方式に焦点をあてる。
対象情報を組み込むことで,教師付きタスクにおいてより優れた選択が可能となることを示す。
また、単純な教師付き学習モデルの側面を組み込むことで、より複雑なモデルの精度を向上させることも示します。
論文 参考訳（メタデータ） (2020-12-22T18:52:06Z)
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。