論文の概要: Desert Waste Detection and Classification Using Data-Based and Model-Based Enhanced YOLOv12 DL Model
- arxiv url: http://arxiv.org/abs/2511.03888v1
- Date: Wed, 05 Nov 2025 22:29:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.227466
- Title: Desert Waste Detection and Classification Using Data-Based and Model-Based Enhanced YOLOv12 DL Model
- Title（参考訳）: データベースおよびモデルベースYOLOv12拡張DLモデルによる砂漠廃棄物の検出と分類
- Authors: Abdulmumin Sa'ad, Sulaimon Oyeniyi Adebayo, Abdul Jabbar Siddiqui,
- Abstract要約: 廃棄物の発生量は2050年までに70%増加すると予想されている。
伝統的な廃棄物収集法は、労働集約的で非効率であり、しばしば有害である。
近年のコンピュータビジョンと深層学習の進歩により, 自動廃棄物検知システムへの扉が開きつつある。
そこで本稿では,SAT(Self-Adversarial Training)と専用データ拡張戦略を統合したYOLOv12の軽量バージョンに基づく拡張リアルタイムオブジェクト検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.497481482212619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The global waste crisis is escalating, with solid waste generation expected to increase by 70% by 2050. Traditional waste collection methods, particularly in remote or harsh environments like deserts, are labor-intensive, inefficient, and often hazardous. Recent advances in computer vision and deep learning have opened the door to automated waste detection systems, yet most research focuses on urban environments and recyclable materials, overlooking organic and hazardous waste and underexplored terrains such as deserts. In this work, we propose an enhanced real-time object detection framework based on a pruned, lightweight version of YOLOv12 integrated with Self-Adversarial Training (SAT) and specialized data augmentation strategies. Using the DroneTrashNet dataset, we demonstrate significant improvements in precision, recall, and mean average precision (mAP), while achieving low latency and compact model size suitable for deployment on resource-constrained aerial drones. Benchmarking our model against state-of-the-art lightweight YOLO variants further highlights its optimal balance of accuracy and efficiency. Our results validate the effectiveness of combining data-centric and model-centric enhancements for robust, real-time waste detection in desert environments.
- Abstract（参考訳）: 世界の廃棄物危機はエスカレートしており、2050年までに廃棄物の発生量は70%増加すると予想されている。
伝統的な廃棄物収集方法は、特に砂漠のような遠隔地や厳しい環境において、労働集約的で非効率であり、しばしば危険である。
近年のコンピュータビジョンと深層学習の進歩は, 自動化された廃棄物検出システムへの扉を開いたが, 都市環境やリサイクル可能な材料, 有機廃棄物や有害廃棄物を見渡すこと, 砂漠などの未探索地形に焦点が当てられている。
本研究では,SAT(Self-Adversarial Training)と特殊データ拡張戦略を統合したYOLOv12の軽量バージョンに基づく拡張リアルタイムオブジェクト検出フレームワークを提案する。
DroneTrashNetデータセットを用いて、リソース制約されたドローンへの展開に適した低レイテンシとコンパクトなモデルサイズを実現しつつ、精度、リコール、平均平均精度(mAP)の大幅な改善を示す。
我々のモデルと最先端の軽量YOLOモデルとのベンチマークにより、精度と効率の最適バランスがさらに強調される。
以上の結果から,砂漠環境におけるロバストでリアルタイムな廃棄物検出のためのデータ中心型とモデル中心型の統合の有効性が検証された。
関連論文リスト
- DWaste: Greener AI for Waste Sorting using Mobile and Edge Devices [0.0]
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。
論文 参考訳（メタデータ） (2025-10-21T10:55:32Z) - RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。
HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。
我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文 参考訳（メタデータ） (2025-07-12T01:58:04Z) - Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。
複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。
低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2025-05-21T03:57:10Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - Exploring Model Quantization in GenAI-based Image Inpainting and Detection of Arable Plants [0.0]
安定ディフュージョンベースのインペインティングを利用して、10%のインクリメントでトレーニングデータを段階的に増加させ、最大200%まで増やすフレームワークを提案する。
本手法は,mAP50測定値を用いて,最先端物体検出モデルであるYOLO11(l)とRT-DETR(l)の2つを用いて評価を行った。
Jetson Orin Nano上での下流モデルの展開は、リソース制約のある環境での我々のフレームワークの実用可能性を示す。
論文 参考訳（メタデータ） (2025-03-04T09:05:01Z) - 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) - Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。
このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。
今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-14T01:32:45Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z)
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。