論文の概要: SortWaste: A Densely Annotated Dataset for Object Detection in Industrial Waste Sorting
- arxiv url: http://arxiv.org/abs/2601.02299v1
- Date: Mon, 05 Jan 2026 17:34:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:23.324358
- Title: SortWaste: A Densely Annotated Dataset for Object Detection in Industrial Waste Sorting
- Title（参考訳）: SortWaste: 産業廃棄物ソーティングにおけるオブジェクト検出のための厳密なアノテーション付きデータセット
- Authors: Sara Inácio, Hugo Proença, João C. Neves,
- Abstract要約: 手作業による廃棄物の選別は大規模な廃棄物の流れを扱うのに非効率である。
既存の自動ソートアプローチは、現実世界の廃棄物ストリームの高ばらつき、乱雑、視覚的複雑さに悩まされている。
- 参考スコア（独自算出の注目度）: 5.931399156681511
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing production of waste, driven by population growth, has created challenges in managing and recycling materials effectively. Manual waste sorting is a common practice; however, it remains inefficient for handling large-scale waste streams and presents health risks for workers. On the other hand, existing automated sorting approaches still struggle with the high variability, clutter, and visual complexity of real-world waste streams. The lack of real-world datasets for waste sorting is a major reason automated systems for this problem are underdeveloped. Accordingly, we introduce SortWaste, a densely annotated object detection dataset collected from a Material Recovery Facility. Additionally, we contribute to standardizing waste detection in sorting lines by proposing ClutterScore, an objective metric that gauges the scene's hardness level using a set of proxies that affect visual complexity (e.g., object count, class and size entropy, and spatial overlap). In addition to these contributions, we provide an extensive benchmark of state-of-the-art object detection models, detailing their results with respect to the hardness level assessed by the proposed metric. Despite achieving promising results (mAP of 59.7% in the plastic-only detection task), performance significantly decreases in highly cluttered scenes. This highlights the need for novel and more challenging datasets on the topic.
- Abstract（参考訳）: 人口増加による廃棄物生産の増加は、資源の管理とリサイクルを効果的に行う上での課題を生み出している。
手作業による廃棄物の選別は一般的な慣行であるが、大規模な廃棄物処理には不効率であり、労働者に健康リスクを与える。
一方、既存の自動ソート手法は、現実世界の廃棄物ストリームの高変数、乱雑、視覚的複雑さに苦慮している。
廃棄物ソートのための実世界のデータセットがないことが、この問題の自動化システムが未開発である大きな理由である。
そこで我々は, 材料回収施設から収集した高密度な注釈付き物体検出データセットであるSortWasteを紹介した。
さらに,視覚的複雑性に影響を与える一連のプロキシ(例えば,オブジェクト数,クラスとサイズエントロピー,空間的重複)を用いて,シーンの硬度レベルを測定する客観的指標であるClutterScoreを提案することにより,ソートラインにおける廃棄物検出の標準化に寄与する。
これらの貢献に加えて、提案手法により評価された硬度レベルに関して、それらの結果の詳細を詳述した、最先端のオブジェクト検出モデルの広範なベンチマークを提供する。
有望な結果(プラスチックのみの検出タスクにおけるmAPの59.7%)を達成したにもかかわらず、高度に散らばったシーンでは性能が著しく低下する。
これはトピックに関する新しい、より困難なデータセットの必要性を強調している。
関連論文リスト
- StreetView-Waste: A Multi-Task Dataset for Urban Waste Management [5.429555343961488]
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。
論文 参考訳（メタデータ） (2025-11-20T15:10:33Z) - 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) - 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) - VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting [61.52419223232737]
産業廃棄物の選別において、最も大きな課題の1つは入力ストリームの極端な多様性である。
産業廃棄物浄化における領域適応に関するVisDA 2022の課題について紹介する。
論文 参考訳（メタデータ） (2023-03-26T21:38:38Z) - MetaGraspNet: A Large-Scale Benchmark Dataset for Scene-Aware
Ambidextrous Bin Picking via Physics-based Metaverse Synthesis [72.85526892440251]
本稿では,物理に基づくメタバース合成により構築した大規模写真リアリスティックビンピックデータセットであるMetaGraspNetを紹介する。
提案データセットは,82種類の記事に対して217kのRGBD画像を含み,オブジェクト検出,アモーダル認識,キーポイント検出,操作順序,および並列ジャウと真空グリップパー用のアンビデクストグリップラベルの完全なアノテーションを備える。
また,2.3k以上の完全アノテートされた高品質なRGBD画像からなる実際のデータセットを5段階の難易度と,異なるオブジェクトおよびレイアウト特性を評価するための見えないオブジェクトセットに分割する。
論文 参考訳（メタデータ） (2022-08-08T08:15:34Z) - A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and
Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。
このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。
このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文 参考訳（メタデータ） (2022-06-13T19:14:06Z) - Towards Real-World Prohibited Item Detection: A Large-Scale X-ray
Benchmark [53.9819155669618]
本稿では,PIDrayと命名された大規模データセットについて述べる。
大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。
提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
論文 参考訳（メタデータ） (2021-08-16T11:14:16Z) - 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。