論文の概要: Neuroplastic Modular Framework: Cross-Domain Image Classification of Garbage and Industrial Surfaces

• arxiv url: http://arxiv.org/abs/2510.05071v1
• Date: Mon, 06 Oct 2025 17:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:53:00.031385
• Title: Neuroplastic Modular Framework: Cross-Domain Image Classification of Garbage and Industrial Surfaces
• Title（参考訳）: 神経可塑性モジュラー・フレームワーク:生ごみおよび工業表面のクロスドメイン画像分類
• Authors: Debojyoti Ghosh, Soumya K Ghosh, Adrijit Goswami,
• Abstract要約: 本稿では,動的環境下でのロバストかつ適応的な画像分類を目的としたハイブリッドアーキテクチャであるNeuroplastic Modular Adaptabilityを紹介する。 このモデルは、ローカライズされた特徴抽出のためのResNet-50バックボーンとViT(Vision Transformer)を組み合わせて、グローバルなセマンティックコンテキストをキャプチャする。 私たちのアーキテクチャにおける重要な革新は、パフォーマンスプラトーのトレーニング中に動的に成長する拡張可能で学習可能なブロックからなる、神経可塑性モジュール設計です。
• 参考スコア（独自算出の注目度）: 4.84929109771831
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Efficient and accurate classification of waste and industrial surface defects is essential for ensuring sustainable waste management and maintaining high standards in quality control. This paper introduces the Neuroplastic Modular Classifier, a novel hybrid architecture designed for robust and adaptive image classification in dynamic environments. The model combines a ResNet-50 backbone for localized feature extraction with a Vision Transformer (ViT) to capture global semantic context. Additionally, FAISS-based similarity retrieval is incorporated to provide a memory-like reference to previously encountered data, enriching the model's feature space. A key innovation of our architecture is the neuroplastic modular design composed of expandable, learnable blocks that dynamically grow during training when performance plateaus. Inspired by biological learning systems, this mechanism allows the model to adapt to data complexity over time, improving generalization. Beyond garbage classification, we validate the model on the Kolektor Surface Defect Dataset 2 (KolektorSDD2), which involves industrial defect detection on metal surfaces. Experimental results across domains show that the proposed architecture outperforms traditional static models in both accuracy and adaptability. The Neuroplastic Modular Classifier offers a scalable, high-performance solution for real-world image classification, with strong applicability in both environmental and industrial domains.
• Abstract（参考訳）: 廃棄物・工業表面欠陥の効率的かつ正確な分類は, 持続可能な廃棄物管理の確保と品質管理の高水準維持に不可欠である。 本稿では,動的環境下でのロバストかつ適応的な画像分類を目的としたハイブリッドアーキテクチャであるNeuroplastic Modular Classifierを紹介する。 このモデルは、ローカライズされた特徴抽出のためのResNet-50バックボーンとViT(Vision Transformer)を組み合わせて、グローバルなセマンティックコンテキストをキャプチャする。 さらに、FAISSベースの類似性検索が組み込まれ、以前遭遇したデータに対するメモリライクな参照を提供し、モデルの特徴空間を豊かにする。 私たちのアーキテクチャにおける重要な革新は、パフォーマンスプラトーのトレーニング中に動的に成長する拡張可能で学習可能なブロックからなる、神経可塑性モジュール設計です。 生物学的学習システムにインスパイアされたこのメカニズムにより、モデルは時間の経過とともにデータの複雑さに適応し、一般化を改善することができる。 ごみの分類以外にも,金属表面の産業的欠陥検出を伴うKolektor Surface Defect Dataset 2 (KolektorSDD2) のモデルを検証する。 ドメイン間での実験結果から、提案アーキテクチャは従来の静的モデルよりも精度と適応性の両方で優れていることが示された。 Neuroplastic Modular Classifierは、実世界の画像分類のためのスケーラブルで高性能なソリューションを提供する。

関連論文リスト

• Benchmarking Foundation Models for Mitotic Figure Classification [0.37334049820361814]
  自己教師付き学習技術は、大規模なニューラルネットワークのトレーニングに大量のラベルのないデータを使用することを可能にした。 本研究では,ミオティックフィギュア分類における基礎モデルの利用について検討する。 我々は、すべてのモデルと、CNNとVision Transformerの両方のエンドツーエンドトレーニングベースラインを比較した。
  論文  参考訳（メタデータ） (2025-08-06T13:30:40Z)
• EyeSim-VQA: A Free-Energy-Guided Eye Simulation Framework for Video Quality Assessment [68.77813885751308]
  EyeSimVQAは、自由エネルギーベースの自己修復を取り入れた新しいVQAフレームワークである。 現状の手法と比較して,EyeSimVQAは競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-06-13T08:00:54Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Adaptable Embeddings Network (AEN) [49.1574468325115]
  我々はカーネル密度推定(KDE)を用いた新しいデュアルエンコーダアーキテクチャであるAdaptable Embeddings Networks (AEN)を紹介する。 AENは、再トレーニングせずに分類基準のランタイム適応を可能にし、非自己回帰的である。 アーキテクチャのプリプロセスとキャッシュ条件の埋め込み能力は、エッジコンピューティングアプリケーションやリアルタイム監視システムに最適である。
  論文  参考訳（メタデータ） (2024-11-21T02:15:52Z)
• Conditional deep generative models as surrogates for spatial field solution reconstruction with quantified uncertainty in Structural Health Monitoring applications [0.0]
  構造健康モニタリング(SHM)に関わる問題では,高次元データの処理と不確実性の定量化の両方が可能なモデルが必要である。 本稿では,そのような応用と高次元構造シミュレーションを主目的とした条件付き深部生成モデルを提案する。 このモデルは、参照有限要素(FE)ソリューションと比較して高い再構成精度を達成でき、同時に負荷不確実性を符号化することに成功した。
  論文  参考訳（メタデータ） (2023-02-14T20:13:24Z)
• Unified Framework for Histopathology Image Augmentation and Classification via Generative Models [6.404713841079193]
  本稿では,データ生成とモデルトレーニングの段階を統一プロセスに統合する,革新的な統一フレームワークを提案する。 提案手法では、画像合成と分類の両方を同時に扱うために、純粋視覚変換器(ViT)ベースの条件付き生成適応ネットワーク(cGAN)モデルを用いる。 本実験により,我々の統合合成増強フレームワークは,病理組織像分類モデルの性能を一貫して向上させることが示された。
  論文  参考訳（メタデータ） (2022-12-20T03:40:44Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。