論文の概要: AI-Enabled Waste Classification as a Data-Driven Decision Support Tool for Circular Economy and Urban Sustainability

• arxiv url: http://arxiv.org/abs/2601.22418v1
• Date: Fri, 30 Jan 2026 00:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.129226
• Title: AI-Enabled Waste Classification as a Data-Driven Decision Support Tool for Circular Economy and Urban Sustainability
• Title（参考訳）: 循環経済と都市持続可能性のためのデータ駆動型意思決定支援ツールとしてのAI利用廃棄物分類
• Authors: Julius Sechang Mboli, Omolara Aderonke Ogungbemi,
• Abstract要約: 本稿では,従来の機械学習技術(Random Forest, SVM, AdaBoost)とディープラーニング技術の両方を評価する。 廃棄物の自動ソートのためのリアルタイムデータ駆動意思決定支援システムにこれらのモデルがどのように統合されているかを示す。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Efficient waste sorting is crucial for enabling circular-economy practices and resource recovery in smart cities. This paper evaluates both traditional machine-learning (Random Forest, SVM, AdaBoost) and deep-learning techniques including custom CNNs, VGG16, ResNet50, and three transfer-learning models (DenseNet121, EfficientNetB0, InceptionV3) for binary classification of 25 077 waste images (80/20 train/test split, augmented and resized to 150x150 px). The paper assesses the impact of Principal Component Analysis for dimensionality reduction on traditional models. DenseNet121 achieved the highest accuracy (91 %) and ROC-AUC (0.98), outperforming the best traditional classifier by 20 pp. Principal Component Analysis (PCA) showed negligible benefit for classical methods, whereas transfer learning substantially improved performance under limited-data conditions. Finally, we outline how these models integrate into a real-time Data-Driven Decision Support System for automated waste sorting, highlighting potential reductions in landfill use and lifecycle environmental impacts.)
• Abstract（参考訳）: 廃棄物の効率的な選別は、スマートシティにおける循環経済の実践と資源回収に不可欠である。 本稿では,従来の機械学習技術(ランドムフォレスト,SVM,AdaBoost)と,カスタムCNN,VGG16,ResNet50,および3つのトランスファーラーニングモデル(DenseNet121,EfficientNetB0,InceptionV3)による25077の廃画像のバイナリ分類(80/20の列車/テスト分割,拡張および150x150 pxにリサイズ)を含むディープラーニング技術の両方を評価する。 本稿では,従来のモデルにおける主成分分析による次元の低減効果について検討する。 DenseNet121 は最高精度 (91 %) とROC-AUC (0.98) を達成し、従来の分類器よりも20 pp。 主成分分析 (PCA) は古典的手法では無視できる利点を示したが, 転送学習は限られたデータ条件下での性能を大幅に向上した。 最後に、これらのモデルがどのようにしてリアルタイムのデータ駆動決定支援システムに統合され、自動廃棄物ソートを行い、埋立地利用の潜在的な削減とライフサイクル環境への影響を明らかにするかを概説する。 )

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)
• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
  本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。 VAPOは最先端のスコアが$mathbf60.4$に達する。 同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
  論文  参考訳（メタデータ） (2025-04-07T14:21:11Z)
• 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)
• Subject Representation Learning from EEG using Graph Convolutional Variational Autoencoders [20.364067310176054]
  GC-VASEはグラフ畳み込みに基づく変分オートエンコーダであり、脳波データからの主観的表現学習にコントラスト学習を利用する。 本手法は,主観的識別に適した分割ラテント空間アーキテクチャを用いて,頑健な主観的潜在表現をうまく学習する。
  論文  参考訳（メタデータ） (2025-01-13T17:29:31Z)
• Advancing Recycling Efficiency: A Comparative Analysis of Deep Learning Models in Waste Classification [0.0]
  本研究は, 各種深層学習モデルの解析により, リサイクルにおける廃棄物分類の押し付け問題に取り組む。 以上の結果から, 複雑な廃棄物カテゴリの精度が著しく向上することが示唆された。 この研究は, 多カテゴリー廃棄物リサイクルの今後の発展への道を開くものである。
  論文  参考訳（メタデータ） (2024-11-05T03:44:54Z)
• Towards Compute-Optimal Transfer Learning [82.88829463290041]
  我々は、事前訓練されたモデルのゼロショット構造化プルーニングにより、性能を最小限に抑えて計算効率を向上させることができると主張している。 その結果,事前訓練されたモデルの畳み込み畳み込みフィルタは,低計算条件下で20%以上の性能向上をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-25T21:49:09Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Towards artificially intelligent recycling Improving image processing for waste classification [0.0]
  IBMのWastenetプロジェクトは、廃棄物の分類に人工知能を用いてリサイクルを改善することを目的としている。 本稿では,移動学習とデータ拡張技術を用いて,このプロジェクトを基盤とする。 その結果、これらの拡張技術により、最終モデルのテスト精度は95.40%向上した。
  論文  参考訳（メタデータ） (2021-08-09T21:41:48Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)

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。