論文の概要: Supervised and Unsupervised Textile Classification via Near-Infrared Hyperspectral Imaging and Deep Learning

• arxiv url: http://arxiv.org/abs/2505.03575v1
• Date: Tue, 06 May 2025 14:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.428347
• Title: Supervised and Unsupervised Textile Classification via Near-Infrared Hyperspectral Imaging and Deep Learning
• Title（参考訳）: 近赤外ハイパースペクトルイメージングとディープラーニングによる教師なし繊維分類
• Authors: Maria Kainz, Johannes K. Krondorfer, Malte Jaschik, Maria Jernej, Harald Ganster,
• Abstract要約: 繊維のリサイクルは, 繊維産業の環境への影響を低減するために重要である。 本研究では,教師付きおよび教師なしのディープラーニングモデルについて検討し,その一般化能力を異なる繊維構造上で検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recycling textile fibers is critical to reducing the environmental impact of the textile industry. Hyperspectral near-infrared (NIR) imaging combined with advanced deep learning algorithms offers a promising solution for efficient fiber classification and sorting. In this study, we investigate supervised and unsupervised deep learning models and test their generalization capabilities on different textile structures. We show that optimized convolutional neural networks (CNNs) and autoencoder networks achieve robust generalization under varying conditions. These results highlight the potential of hyperspectral imaging and deep learning to advance sustainable textile recycling through accurate and robust classification.
• Abstract（参考訳）: 繊維のリサイクルは, 繊維産業の環境への影響を低減するために重要である。 ハイパースペクトル近赤外(NIR)イメージングと高度なディープラーニングアルゴリズムを組み合わせることで、効率的なファイバー分類とソートのための有望なソリューションを提供する。 本研究では,教師付きおよび教師なしのディープラーニングモデルについて検討し,その一般化能力を異なる繊維構造上で検証する。 最適化畳み込みニューラルネットワーク(CNN)とオートエンコーダネットワークが,様々な条件下で堅牢な一般化を実現することを示す。 これらの結果は,高スペクトルイメージングと深層学習が,高精度でロバストな分類を通じて,持続可能な繊維リサイクルを促進する可能性を強調している。

関連論文リスト

• The Master Key Filters Hypothesis: Deep Filters Are General [51.900488744931785]
  畳み込みニューラルネットワーク(CNN)フィルタはより深い層に特化している。 ImageNetで訓練した深度分離可能なCNN(DS-CNN)におけるクラスタリング可能な繰り返しパターンの最近の観察は、この論文を動機づけた。 DS-CNNの解析により,深層フィルタの一般性は維持され,クラス固有のフィルタへの移行が期待されていることに矛盾することが明らかとなった。
  論文  参考訳（メタデータ） (2024-12-21T20:04:23Z)
• Low-power multi-mode fiber projector overcomes shallow neural networks classifiers [10.161703420607552]
  マルチモード光ファイバは費用対効果が高く、扱いやすいツールである。 我々はこれらのファイバーをランダムなハードウェアプロジェクタにキャストし、入力データセットを高次元のスペックル画像集合に変換する。 その結果,標準伝送行列モデルより分類精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-10-10T14:55:02Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Deep fiber clustering: Anatomically informed fiber clustering with self-supervised deep learning for fast and effective tractography parcellation [22.754116315299182]
  白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。 DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。 実験により、クラスタのコンパクト性、一般化能力、解剖学的コヒーレンス、計算効率の観点から、DFCの優れた性能が示された。
  論文  参考訳（メタデータ） (2022-05-02T02:41:02Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
  緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
  論文  参考訳（メタデータ） (2020-10-15T03:09:08Z)

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。