論文の概要: HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification

• arxiv url: http://arxiv.org/abs/2510.20669v1
• Date: Thu, 23 Oct 2025 15:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.249769
• Title: HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification
• Title（参考訳）: ハイブリッドSOMSpikeNet: ソフト自己組織化マップとスパイキングダイナミクスを用いた廃棄物分類のための深層モデル
• Authors: Debojyoti Ghosh, Adrijit Goswami,
• Abstract要約: リサイクル可能な材料のミスクラス化は、埋立地の蓄積、非効率なリサイクル、温室効果ガスの排出の増加に寄与する。 本研究では、畳み込み特徴抽出、微分可能な自己組織化、スパイキングにインスパイアされた時間処理を統合したハイブリッドディープラーニングフレームワークであるHybridSOMSpikeNetを紹介する。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate waste classification is vital for achieving sustainable waste management and reducing the environmental footprint of urbanization. Misclassification of recyclable materials contributes to landfill accumulation, inefficient recycling, and increased greenhouse gas emissions. To address these issues, this study introduces HybridSOMSpikeNet, a hybrid deep learning framework that integrates convolutional feature extraction, differentiable self-organization, and spiking-inspired temporal processing to enable intelligent and energy-efficient waste classification. The proposed model employs a pre-trained ResNet-152 backbone to extract deep spatial representations, followed by a Differentiable Soft Self-Organizing Map (Soft-SOM) that enhances topological clustering and interpretability. A spiking neural head accumulates temporal activations over discrete time steps, improving robustness and generalization. Trained on a ten-class waste dataset, HybridSOMSpikeNet achieved a test accuracy of 97.39%, outperforming several state-of-the-art architectures while maintaining a lightweight computational profile suitable for real-world deployment. Beyond its technical innovations, the framework provides tangible environmental benefits. By enabling precise and automated waste segregation, it supports higher recycling efficiency, reduces contamination in recyclable streams, and minimizes the ecological and operational costs of waste processing. The approach aligns with global sustainability priorities, particularly the United Nations Sustainable Development Goals (SDG 11 and SDG 12), by contributing to cleaner cities, circular economy initiatives, and intelligent environmental management systems.
• Abstract（参考訳）: 廃棄物の正確な分類は、持続可能な廃棄物管理と都市化の環境フットプリントの削減に不可欠である。 リサイクル可能な材料のミスクラス化は、埋立地の蓄積、非効率なリサイクル、温室効果ガスの排出の増加に寄与する。 これらの課題に対処するため,HybridSOMSpikeNetは,畳み込み特徴抽出,識別可能な自己組織化,スパイキングにインスパイアされた時間的処理を統合し,インテリジェントでエネルギー効率の良い廃棄物分類を可能にするハイブリッドディープラーニングフレームワークである。 提案モデルでは,事前学習したResNet-152バックボーンを用いて深部空間表現を抽出し,続いてトポロジ的クラスタリングと解釈性を高めるソフト自己組織化マップ (Soft-SOM) を用いた。 スパイク神経ヘッドは、離散時間ステップに時間的アクティベーションを蓄積し、堅牢性と一般化を改善する。 10クラスの廃棄物データセットに基づいて訓練されたHybridSOMSpikeNetは97.39%の精度を達成し、実世界の展開に適した軽量な計算プロファイルを維持しながら、いくつかの最先端アーキテクチャを上回った。 技術的な革新の他に、このフレームワークは具体的な環境効果を提供する。 精密かつ自動化された廃棄物の分離を可能にすることにより、リサイクル効率の向上、リサイクル可能なストリームの汚染の低減、廃棄物処理の生態的・運用的コストの最小化を実現している。 このアプローチは、クリーンな都市、循環経済イニシアチブ、インテリジェントな環境管理システムに貢献することで、世界的持続可能性の優先順位、特に国連持続可能な開発目標(SDG 11およびSDG 12)と一致している。

関連論文リスト

• Plasticine: Accelerating Research in Plasticity-Motivated Deep Reinforcement Learning [122.67854581396578]
  Plasticineは、深層強化学習における塑性最適化をベンチマークするためのオープンソースのフレームワークである。 Plasticineは13以上の緩和メソッド、評価メトリクス10、学習シナリオの単一ファイル実装を提供する。
  論文  参考訳（メタデータ） (2025-04-24T12:32:13Z)
• Energy-Efficient Green AI Architectures for Circular Economies Through Multi-Layered Sustainable Resource Optimization Framework [0.0]
  我々は、最先端の機械学習アルゴリズム、エネルギーを意識した計算モデル、最適化技術を統合する多層フレームワークとメタアーキテクチャを導入する。 リチウムイオン電池のリサイクルと都市ごみ管理システムによる実世界のデータセットを用いて,本フレームワークを検証した。
  論文  参考訳（メタデータ） (2025-03-28T16:09:43Z)
• Advancing Recycling Efficiency: A Comparative Analysis of Deep Learning Models in Waste Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-05T03:44:54Z)
• 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)
• Autonomous AI-enabled Industrial Sorting Pipeline for Advanced Textile Recycling [5.7987804915589525]
  本稿では, 自律型繊維分析パイプラインを導入することで, 従来の繊維選別手法の非効率性について論じる。 本システムにより, 繊維選別プロセスの精度, 効率, スケーラビリティが向上し, 廃棄物処理に対するより持続的, 循環的なアプローチに寄与する。 予備的な結果は, 環境影響を緩和し, 繊維産業におけるリサイクルへのポジティブなシフトを促進するための総合的アプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-05-17T11:08:47Z)
• SpectralWaste Dataset: Multimodal Data for Waste Sorting Automation [46.178512739789426]
  本稿では, 廃棄物処理施設から収集した最初のデータセットであるSpectralWasteについて紹介する。 このデータセットには、分類植物によく見られるいくつかのカテゴリのオブジェクトのラベルが含まれている。 異なるオブジェクトセグメンテーションアーキテクチャを用いたパイプラインを提案し,その代替案をデータセット上で評価する。
  論文  参考訳（メタデータ） (2024-03-26T18:39:38Z)
• Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages [56.98243487769916]
  ニューラルネットワークが新しいデータで進化する能力である塑性は、高性能でサンプル効率のよい視覚強化学習に不可欠である。 本稿では,批評家の可塑性レベルに基づいてリプレイ率を動的に調整するAdaptive RRを提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:05:34Z)
• 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)
• ConvoWaste: An Automatic Waste Segregation Machine Using Deep Learning [0.0]
  本稿では,ConvoWasteを用いたスマートオブジェクト検出アルゴリズムを用いて,廃棄物を異なる部位に分離する機械を提案する。 本稿では, 廃棄物を正確に分類するために, 深層学習と画像処理技術を適用した。 システム全体がAndroidアプリを介して遠隔操作され、切り離されたゴミを捨てる。
  論文  参考訳（メタデータ） (2023-02-06T18:08:33Z)
• 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)

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。