論文の概要: Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification

• arxiv url: http://arxiv.org/abs/2601.17038v1
• Date: Tue, 20 Jan 2026 04:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.015182
• Title: Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification
• Title（参考訳）: ハイブリッド深部特徴抽出とMLによる建設・解体デブリ分類
• Authors: Obai Alashram, Nejad Alagha, Mahmoud AlKakuri, Zeeshan Swaveel, Abigail Copiaco,
• Abstract要約: 本研究では,従来の機械学習(ML)分類器と深い特徴抽出を統合したハイブリッド・ビジョン・ベース・パイプラインを用いて,自動構築・解体(C&D)デブリ分類を行う。 アラブ首長国連邦の実際の建設現場から4つの材料カテゴリを表す1,800枚のバランスのとれた高品質の画像からなる新しいデータセットを収集した。 事前学習したXceptionネットワークを用いて深い特徴を抽出し,SVM,kNN,Bagged Trees,LDA,Logistic Regressionを含む複数のML分類器を体系的に評価した。
• 参考スコア（独自算出の注目度）: 0.22162452293290755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The construction industry produces significant volumes of debris, making effective sorting and classification critical for sustainable waste management and resource recovery. This study presents a hybrid vision-based pipeline that integrates deep feature extraction with classical machine learning (ML) classifiers for automated construction and demolition (C\&D) debris classification. A novel dataset comprising 1,800 balanced, high-quality images representing four material categories, Ceramic/Tile, Concrete, Trash/Waste, and Wood was collected from real construction sites in the UAE, capturing diverse real-world conditions. Deep features were extracted using a pre-trained Xception network, and multiple ML classifiers, including SVM, kNN, Bagged Trees, LDA, and Logistic Regression, were systematically evaluated. The results demonstrate that hybrid pipelines using Xception features with simple classifiers such as Linear SVM, kNN, and Bagged Trees achieve state-of-the-art performance, with up to 99.5\% accuracy and macro-F1 scores, surpassing more complex or end-to-end deep learning approaches. The analysis highlights the operational benefits of this approach for robust, field-deployable debris identification and provides pathways for future integration with robotics and onsite automation systems.
• Abstract（参考訳）: 建設業は大量の破片を生産し、持続的な廃棄物管理と資源回収に不可欠な効率的な選別と分類を行っている。 本研究では,従来の機械学習(ML)分類器と深い特徴抽出を統合したハイブリッド・ビジョン・ベース・パイプラインを用いて,自動構築・解体(C\&D)デブリ分類を行う。 陶磁器・タイル・コンクリート・トラッシュ・ウォーター・ウッドの4つの材料カテゴリを表す1,800枚のバランスのとれた高品質な画像からなる新しいデータセットを,UAEの実際の建設現場から収集し,多様な実環境を把握した。 事前学習したXceptionネットワークを用いて深い特徴を抽出し,SVM,kNN,Bagged Trees,LDA,Logistic Regressionを含む複数のML分類器を体系的に評価した。 その結果、線形SVM、kNN、Bagged Treeといった単純な分類器を備えたXception機能を用いたハイブリッドパイプラインは、99.5\%の精度とマクロF1スコアで最先端のパフォーマンスを実現し、より複雑またはエンドツーエンドのディープラーニングアプローチを上回ることが示されている。 この分析は、堅牢でフィールド展開可能なデブリ識別のためのこのアプローチの運用上の利点を強調し、ロボット工学や現場自動化システムとの将来の統合のための経路を提供する。

関連論文リスト

• Towards Accurate and Efficient Waste Image Classification: A Hybrid Deep Learning and Machine Learning Approach [0.05599792629509228]
  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。
  論文  参考訳（メタデータ） (2025-10-22T08:32:51Z)
• Textile Analysis for Recycling Automation using Transfer Learning and Zero-Shot Foundation Models [6.932314083921248]
  本稿では, 標準RGB画像, コスト効率のよいセンシングモダリティを, 自動化システムにおける重要な前処理タスクに利用することを検討する。 本稿では,コンベアベルト構成のためのコンピュータビジョンコンポーネントについて,(a)4種類の一般的な織物の分類と,(b)ボタンやジッパーなどの非繊維の特徴のセグメンテーションを行う。
  論文  参考訳（メタデータ） (2025-06-06T22:49:53Z)
• Machine Learning Models for Reinforced Concrete Pipes Condition Prediction: The State-of-the-Art Using Artificial Neural Networks and Multiple Linear Regression in a Wisconsin Case Study [0.0]
  合衆国の老朽化した下水道インフラは210万キロメートルをカバーしており、構造的な問題に直面している。 年間約75,000の衛生用下水道が深刻な経済、環境、公衆衛生の危険を生じさせている。 本研究は,機械学習モデルを用いて下水道パイプラインの状態の予測精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2025-02-01T08:16:08Z)
• 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)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• High-Resolution Detection of Earth Structural Heterogeneities from Seismic Amplitudes using Convolutional Neural Networks with Attention layers [0.31457219084519]
  本稿では,CNN(Convolutional Neural Networks)とアテンション層を組み合わせた構造的不均一性検出のための効率的で費用対効果の高いアーキテクチャを提案する。 我々のモデルは最先端技術と比較して半分のパラメータを持ち、IoU(Intersection over Union)では0.6%、精度は0.4%という従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-04-15T22:49:37Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Multi-Task Classification of Sewer Pipe Defects and Properties using a Cross-Task Graph Neural Network Decoder [56.673599764041384]
  我々は、新しいデコーダ指向マルチタスク分類アーキテクチャ、クロスタスクグラフニューラルネットワーク(CT-GNN)を提案する。 CT-GNNは、クロスタスク情報を用いてタスクごとの解離予測を洗練する。 我々は,Swer-MLデータセットの4つの分類タスクすべてに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-15T15:36:50Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)

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。