論文の概要: Towards Accurate and Efficient Waste Image Classification: A Hybrid Deep Learning and Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2510.21833v1
- Date: Wed, 22 Oct 2025 08:32:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:14.600385
- Title: Towards Accurate and Efficient Waste Image Classification: A Hybrid Deep Learning and Machine Learning Approach
- Title（参考訳）: 高精度・効率的な廃棄物画像分類を目指して--ハイブリッドディープラーニングと機械学習のアプローチ
- Authors: Ngoc-Bao-Quang Nguyen, Tuan-Minh Do, Cong-Tam Phan, Thi-Thu-Hong Phan,
- Abstract要約: 本研究は,(1)手作り特徴を用いた機械学習アルゴリズム,(2)ResNet変種やEfficientNetV2Sを含むディープラーニングアーキテクチャ,(3)Support Vector MachineやLogistic Regressionなどの古典的分類器と組み合わせて特徴抽出にディープモデルを利用するハイブリッドアプローチの3つのパラダイムを総合的に比較した。
TrashNet, Garbage Classification, and a refined Household Garbage dataset という3つの公開データセットの実験では、ハイブリッド手法がTrashNetと改良されたハウスセットで最大100%の精度を達成し、ガーベッジ分類で99.87%を達成し、その結果、その状態を超えたことが示されている。
- 参考スコア（独自算出の注目度）: 0.05599792629509228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated image-based garbage classification is a critical component of global waste management; however, systematic benchmarks that integrate Machine Learning (ML), Deep Learning (DL), and efficient hybrid solutions remain underdeveloped. This study provides a comprehensive comparison of three paradigms: (1) machine learning algorithms using handcrafted features, (2) deep learning architectures, including ResNet variants and EfficientNetV2S, and (3) a hybrid approach that utilizes deep models for feature extraction combined with classical classifiers such as Support Vector Machine and Logistic Regression to identify the most effective strategy. Experiments on three public datasets - TrashNet, Garbage Classification, and a refined Household Garbage Dataset (with 43 corrected mislabels)- demonstrate that the hybrid method consistently outperforms the others, achieving up to 100% accuracy on TrashNet and the refined Household set, and 99.87% on Garbage Classification, thereby surpassing state-of-the-art benchmarks. Furthermore, feature selection reduces feature dimensionality by over 95% without compromising accuracy, resulting in faster training and inference. This work establishes more reliable benchmarks for waste classification and introduces an efficient hybrid framework that achieves high accuracy while reducing inference cost, making it suitable for scalable deployment in resource-constrained environments.
- Abstract（参考訳）: しかし、機械学習(ML)、ディープラーニング(DL)、効率的なハイブリッドソリューションを統合する体系的なベンチマークは未開発のままである。
本研究は,(1)手作り特徴を用いた機械学習アルゴリズム,(2)ResNet変種やEfficientNetV2Sを含むディープラーニングアーキテクチャ,(3)Support Vector MachineやLogistic Regressionなどの古典的分類器と組み合わせて特徴抽出にディープモデルを利用するハイブリッドアプローチの3つのパラダイムを総合的に比較した。
TrashNet, Garbage Classification, and a refined Household Garbage Dataset (43の修正ミスラベルを含む)という3つの公開データセットの実験では、ハイブリッド手法が他よりも一貫して優れており、TrashNetと洗練されたハウスセットで最大100%の精度を実現し、ガーベッジ分類で99.87%を達成し、その結果、最先端のベンチマークを上回っていることが示されている。
さらに、特徴選択は精度を損なうことなく特徴次元を95%以上削減し、訓練と推論を高速化する。
この研究は廃棄物分類のためのより信頼性の高いベンチマークを確立し、推論コストを低減しつつ高い精度を実現する効率的なハイブリッドフレームワークを導入し、資源制約のある環境でのスケーラブルなデプロイに適している。
関連論文リスト
- An improved EfficientNetV2 for garbage classification [0.27309692684728615]
本稿では,データ取得コスト,一般化,リアルタイムパフォーマンスの課題に対処するため,EfficientNetV2に基づく廃棄物分類フレームワークを提案する。
Huawei Cloudの廃棄物分類データセットの実験では、本手法は95.4%の分類精度を達成し、ベースラインを3.2%上回り、主流モデルを上回っている。
論文 参考訳（メタデータ） (2025-03-27T06:50:44Z) - Unsupervised Waste Classification By Dual-Encoder Contrastive Learning and Multi-Clustering Voting (DECMCV) [9.828020457690688]
本研究では,マルチクラスタリング投票(DECMCV)を用いた新しい教師なし手法であるデュアルエンコーダコントラスト学習を提案する。
実際の4,169枚の廃画像のデータセットでは、数千の正確なラベル付けを行うには50個のラベル付きサンプルが必要であり、教師付きモデルと比較して分類精度は29.85%向上した。
論文 参考訳（メタデータ） (2025-03-04T03:31:01Z) - 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) - DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-03-14T02:11:38Z) - Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。
オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。
OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
論文 参考訳（メタデータ） (2024-02-10T12:22:31Z) - Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳（メタデータ） (2023-06-01T12:53:10Z) - Metric Residual Networks for Sample Efficient Goal-conditioned
Reinforcement Learning [52.59242013527014]
ゴール条件強化学習(GCRL)は、現実世界の幅広い応用の可能性を秘めている。
サンプル効率は、GCRLにとって最も重要であり、デフォルトでは、エージェントはその目標に達するとのみ報酬を受ける。
GCRLのための新しいニューラルアーキテクチャを導入し、一般的なモノリシックネットワークアーキテクチャよりもはるかに優れたサンプリング効率を実現する。
論文 参考訳（メタデータ） (2022-08-17T08:04:41Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Active Hybrid Classification [79.02441914023811]
本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。
本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-01-21T21:09:07Z) - Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。
フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
論文 参考訳（メタデータ） (2020-04-01T19:05:28Z)
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。