論文の概要: DWaste: Greener AI for Waste Sorting using Mobile and Edge Devices

• arxiv url: http://arxiv.org/abs/2510.18513v2
• Date: Tue, 28 Oct 2025 16:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 13:20:32.855771
• Title: DWaste: Greener AI for Waste Sorting using Mobile and Edge Devices
• Title（参考訳）: DWaste: モバイルデバイスとエッジデバイスを使ったムダソーティングのためのよりグリーンなAI
• Authors: Suman Kunwar,
• Abstract要約: DWasteは、リソースに制約のあるスマートフォンやエッジデバイスでリアルタイムに廃棄物をソートするために設計されたコンピュータビジョンベースのプラットフォームである。 私たちの研究は、エッジデバイス上でのリアルタイムで持続可能な廃棄物ソートをサポートするために、"Greener AI"モデルの実装が成功したことを実証しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of convenience packaging has led to generation of enormous waste, making efficient waste sorting crucial for sustainable waste management. To address this, we developed DWaste, a computer vision-powered platform designed for real-time waste sorting on resource-constrained smartphones and edge devices, including offline functionality. We benchmarked various image classification models (EfficientNetV2S/M, ResNet50/101, MobileNet) and object detection (YOLOv8n, YOLOv11n) including our purposed YOLOv8n-CBAM model using our annotated dataset designed for recycling. We found a clear trade-off between accuracy and resource consumption: the best classifier, EfficientNetV2S, achieved high accuracy(~ 96%) but suffered from high latency (~ 0.22s) and elevated carbon emissions. In contrast, lightweight object detection models delivered strong performance (up to 80% mAP) with ultra-fast inference (~ 0.03s) and significantly smaller model sizes (< 7MB ), making them ideal for real-time, low-power use. Model quantization further maximized efficiency, substantially reducing model size and VRAM usage by up to 75%. Our work demonstrates the successful implementation of "Greener AI" models to support real-time, sustainable waste sorting on edge devices.
• Abstract（参考訳）: コンビニエンス・パッケージングの台頭により、巨大な廃棄物が産出され、持続可能な廃棄物管理にとって効率的な廃棄物の選別が重要になった。 そこで我々はDWasteを開発した。DWasteは、リソース制約のあるスマートフォンや、オフライン機能を含むエッジデバイスでリアルタイムに無駄をソートするために設計されたコンピュータビジョンを利用したプラットフォームである。 我々は, 画像分類モデル (EfficientNetV2S/M, ResNet50/101, MobileNet) とオブジェクト検出モデル (YOLOv8n, YOLOv11n) のベンチマークを行った。 最適な分類器であるEfficientNetV2Sは、高い精度(約96%)を達成したが、高いレイテンシ(約0.22秒)と高炭素排出量に悩まされた。 対照的に、軽量物体検出モデルは、超高速な推論(約0.03秒)とモデルサイズ(約7MB)で強い性能(最大80% mAP)を提供し、リアルタイムで低消費電力の使用に最適であった。 モデル量子化はさらに効率を最大化し、モデルサイズとVRAM使用量を最大75%削減した。 私たちの研究は、エッジデバイス上でのリアルタイムで持続可能な廃棄物ソートをサポートするために、"Greener AI"モデルの実装が成功したことを実証しています。

関連論文リスト

• PocketSR: The Super-Resolution Expert in Your Pocket Mobiles [69.26751136689533]
  リアルワールド・イメージ・スーパーレゾリューション (RealSR) は、携帯電話が捉えたような、Wild内の画像の視覚的品質を高めることを目的としている。 大規模な生成モデルを利用する既存の手法は印象的な結果を示しているが、計算コストとレイテンシが高いため、エッジ配置には実用的ではない。 超軽量単一ステップモデルであるPocketSRを導入し,高忠実度を維持しつつ生成モデリング機能をRealSRにもたらす。
  論文  参考訳（メタデータ） (2025-10-03T13:56:18Z)
• Ecomap: Sustainability-Driven Optimization of Multi-Tenant DNN Execution on Edge Servers [0.44784055850794474]
  本稿では,実時間炭素強度に基づいてエッジデバイスの最大出力閾値を調整するフレームワークであるEcomapを紹介する。 NVIDIA Jetson AGX Xavierを用いた実験の結果、Ecomapは二酸化炭素排出量を平均30%削減することが示された。
  論文  参考訳（メタデータ） (2025-03-06T06:56:51Z)
• Plastic Waste Classification Using Deep Learning: Insights from the WaDaBa Dataset [0.0]
  本研究では、畳み込みニューラルネットワーク(CNN)とYOLO(You Only Look Once)のようなオブジェクト検出モデルに焦点を当てる。 その結果, YOLO-11mの精度は98.03%, mAP50(0.990)で, YOLO-11nも同様だがmAP50(0.992)であった。 YOLO-10nのような軽量モデルはより高速に訓練されたが精度は低く、MobileNet V2は優れた性能(97.12%の精度)を示したが、オブジェクト検出では不足していた。
  論文  参考訳（メタデータ） (2024-12-28T18:00:52Z)
• EMOv2: Pushing 5M Vision Model Frontier [92.21687467702972]
  様々な下流タスクにおいて,5M級軽量モデルの新たなフロンティアを構築した。 我々の研究は、Transformerにおける効率的なIRBと実用的なコンポーネントの軽量なインフラを再考する。 4G/5G帯でモデルをダウンロードする場合のモバイルユーザの遅延を考慮し,5M程度の軽量モデルの性能上限について検討する。
  論文  参考訳（メタデータ） (2024-12-09T17:12:22Z)
• Benchmarking Deep Learning Models for Object Detection on Edge Computing Devices [0.0]
  YOLOv8 (Nano, Small, Medium), EfficientDet Lite (Lite0, Lite1, Lite2), SSD (SSD MobileNet V1, SSDLite MobileDet) など,最先端のオブジェクト検出モデルの評価を行った。 これらのモデルをRaspberry Pi 3、4、5、TPUアクセラレーター、Jetson Orin Nanoといった一般的なエッジデバイスにデプロイし、エネルギー消費、推論時間、平均精度(mAP)といった重要なパフォーマンス指標を収集しました。 この結果から,SSD MobileNet V1などの低mAPモデルの方がエネルギー効率が高く,高速であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-25T10:56:49Z)
• Rethinking Mobile Block for Efficient Attention-based Models [60.0312591342016]
  本稿では、パラメータ、FLOP、性能をトレードオフしながら、高密度予測のための現代的で効率的で軽量なモデルを開発することに焦点を当てる。 Inverted Residual Block (IRB) は軽量CNNの基盤として機能するが、注目に基づく研究ではその存在は認められていない。 我々はCNNベースのIRBをアテンションベースモデルに拡張し、軽量モデル設計のためのMMB(One-Residual Meta Mobile Block)を抽象化する。
  論文  参考訳（メタデータ） (2023-01-03T15:11:41Z)
• ESOD:Edge-based Task Scheduling for Object Detection [8.347247774167109]
  オブジェクト検出のための新しいエッジベースタスクスケジューリングフレームワーク(ESOD)を提案する。 その結果、ESODは平均22.13%と29.60%の遅延とエネルギー消費を削減できることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T13:43:51Z)
• Making DensePose fast and light [78.49552144907513]
  このタスクを解くことができる既存のニューラルネットワークモデルは、非常にパラメータ化されている。 現在のモデルで端末のDense Pose推論を有効にするには、高価なサーバーサイドのインフラをサポートし、安定したインターネット接続が必要である。 本研究では,DensePose R-CNNモデルのアーキテクチャを再設計することで,最終的なネットワークがその精度の大部分を維持しつつ,より軽量で高速なネットワークを実現することを目的とする。
  論文  参考訳（メタデータ） (2020-06-26T19:42:20Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)
• An Image Enhancing Pattern-based Sparsity for Real-time Inference on Mobile Devices [58.62801151916888]
  パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。 新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
  論文  参考訳（メタデータ） (2020-01-20T16:17:36Z)

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。