論文の概要: StreetView-Waste: A Multi-Task Dataset for Urban Waste Management

• arxiv url: http://arxiv.org/abs/2511.16440v1
• Date: Thu, 20 Nov 2025 15:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.688597
• Title: StreetView-Waste: A Multi-Task Dataset for Urban Waste Management
• Title（参考訳）: StreetView-Waste: 都市廃棄物管理のためのマルチタスクデータセット
• Authors: Diogo J. Paulo, João Martins, Hugo Proença, João C. Neves,
• Abstract要約: StreetView-Wasteは、ごみとごみコンテナを特徴とする都市シーンの包括的なデータセットである。 データセットは,(1)廃棄物の容器検出,(2)廃棄物の容器追跡,(3)廃棄物の区画化という3つの重要な評価タスクをサポートする。
• 参考スコア（独自算出の注目度）: 5.429555343961488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban waste management remains a critical challenge for the development of smart cities. Despite the growing number of litter detection datasets, the problem of monitoring overflowing waste containers, particularly from images captured by garbage trucks, has received little attention. While existing datasets are valuable, they often lack annotations for specific container tracking or are captured in static, decontextualized environments, limiting their utility for real-world logistics. To address this gap, we present StreetView-Waste, a comprehensive dataset of urban scenes featuring litter and waste containers. The dataset supports three key evaluation tasks: (1) waste container detection, (2) waste container tracking, and (3) waste overflow segmentation. Alongside the dataset, we provide baselines for each task by benchmarking state-of-the-art models in object detection, tracking, and segmentation. Additionally, we enhance baseline performance by proposing two complementary strategies: a heuristic-based method for improved waste container tracking and a model-agnostic framework that leverages geometric priors to refine litter segmentation. Our experimental results show that while fine-tuned object detectors achieve reasonable performance in detecting waste containers, baseline tracking methods struggle to accurately estimate their number; however, our proposed heuristics reduce the mean absolute counting error by 79.6%. Similarly, while segmenting amorphous litter is challenging, our geometry-aware strategy improves segmentation mAP@0.5 by 27% on lightweight models, demonstrating the value of multimodal inputs for this task. Ultimately, StreetView-Waste provides a challenging benchmark to encourage research into real-world perception systems for urban waste management.
• Abstract（参考訳）: 都市ごみ管理は、スマートシティの発展にとって重要な課題である。 ごみ検知データセットの増大にもかかわらず、特にゴミトラックが捉えた画像から排出されるごみ容器をモニタリングする問題はほとんど注目されていない。 既存のデータセットは価値があるが、特定のコンテナ追跡のためのアノテーションが欠如している場合が多い。 このギャップに対処するため、私たちはStreetView-Wasteを紹介します。 データセットは,(1)廃棄物のコンテナ検出,(2)廃棄物のコンテナ追跡,(3)廃棄物のオーバーフローセグメンテーションという,3つの重要な評価タスクをサポートする。 データセットに加えて、オブジェクトの検出、追跡、セグメンテーションにおいて最先端のモデルをベンチマークすることで、各タスクのベースラインを提供します。 さらに, ごみ容器追跡を改良するためのヒューリスティックな手法と, 幾何学的先行手法を生かしたモデルに依存しないフレームワークの2つの相補的な手法を提案することにより, ベースライン性能を向上させる。 実験結果から, 微調整対象検出器は, ごみ容器の検出において適正な性能を発揮するが, ベースライン追跡法は, 精度の高い推定に苦慮するが, 提案したヒューリスティックは絶対絶対誤差を79.6%削減する。 同様に、アモルファスリッターのセグメンテーションは難しいが、我々の幾何認識戦略は、軽量モデル上でのセグメンテーションmAP@0.5を27%改善し、このタスクに対するマルチモーダルインプットの価値を実証する。 最終的にStreetView-Wasteは、都市ごみ管理のための現実世界の認識システムの研究を促進するための、挑戦的なベンチマークを提供する。

関連論文リスト

• COSNet: A Novel Semantic Segmentation Network using Enhanced Boundaries in Cluttered Scenes [9.970265640589966]
  COSNetと呼ばれる効果的セグメンテーションネットワークを導入し、境界キューと複数コンテキスト情報を用いて、散らばったシーンでオブジェクトを正確にセグメンテーションする。 我々のCOSNetは、mIoUメートル法でそれぞれZeroWaste-fで1.8%、SpectralWasteデータセットで2.1%の大幅な上昇を達成した。
  論文  参考訳（メタデータ） (2024-10-31T17:03:38Z)
• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• 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)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• Semi-Supervised Building Footprint Generation with Feature and Output Consistency Training [17.6179873429447]
  一貫性トレーニングを備えた最先端の半教師付きセマンティックセマンティクスネットワークは、この問題に対処するのに役立ちます。 ラベルなしサンプルのエンドツーエンドネットワークトレーニングにおいて,特徴と出力の整合性を統合することを提案する。 実験により, 提案手法により, より完全な構造を抽出できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-17T14:55:13Z)
• 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)
• TrashCan: A Semantically-Segmented Dataset towards Visual Detection of Marine Debris [17.119080859422127]
  TrashCanは、さまざまなソースから収集された水中ゴミの大規模なデータセットである。 ロボットの配置に適した効率的で正確なゴミ検出手法を開発することが目的である。
  論文  参考訳（メタデータ） (2020-07-16T04:19:06Z)

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。