Fugu-MT 論文翻訳(概要): An Ensemble Learning Approach towards Waste Segmentation in Cluttered Environment

論文の概要: An Ensemble Learning Approach towards Waste Segmentation in Cluttered Environment

arxiv url: http://arxiv.org/abs/2602.13681v1
Date: Sat, 14 Feb 2026 09:07:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-17 14:17:28.333966
Title: An Ensemble Learning Approach towards Waste Segmentation in Cluttered Environment
Title（参考訳）: ごみ処理環境における廃棄物分別へのアンサンブル学習アプローチ
Authors: Maimoona Jafar, Syed Imran Ali, Ahsan Saadat, Muhammad Bilal, Shah Khalid,
Abstract要約: 本研究は, 廃棄物の分離, 再資源化プロセスにおける重要なステップである廃棄物の分離に焦点をあてる。コンピュータビジョンの最近の進歩は、廃棄物の分類と認識に大きく貢献している。廃棄物分離では, ロボットがコンベアベルトの物体を正確に位置決めし, 選別するために, セグメンテーションマスクが不可欠である。
参考スコア（独自算出の注目度）: 2.723394443506285
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Environmental pollution is a critical global issue, with recycling emerging as one of the most viable solutions. This study focuses on waste segregation, a crucial step in recycling processes to obtain raw material. Recent advancements in computer vision have significantly contributed to waste classification and recognition. In waste segregation, segmentation masks are essential for robots to accurately localize and pick objects from conveyor belts. The complexity of real-world waste environments, characterized by deformed items without specific patterns and overlapping objects, further complicates waste segmentation tasks. This paper proposes an Ensemble Learning approach to improve segmentation accuracy by combining high performing segmentation models, U-Net and FPN, using a weighted average method. U-Net excels in capturing fine details and boundaries in segmentation tasks, while FPN effectively handles scale variation and context in complex environments, and their combined masks result in more precise predictions. The dataset used closely mimics real-life waste scenarios, and preprocessing techniques were applied to enhance feature learning for deep learning segmentation models. The ensemble model, referred to as EL-4, achieved an IoU value of 0.8306, an improvement over U-Net's 0.8065, and reduced Dice loss to 0.09019 from FPN's 0.1183. This study could contribute to the efficiency of waste sorting at Material Recovery Facility, facilitating better raw material acquisition for recycling with minimal human intervention and enhancing the overall throughput.
Abstract（参考訳）: 環境汚染は世界的な重要な問題であり、リサイクルが最も有効な解決策の1つとして浮上している。本研究は, 廃棄物の分離, 再資源化プロセスにおける重要なステップである廃棄物の分離に焦点をあてる。コンピュータビジョンの最近の進歩は、廃棄物の分類と認識に大きく貢献している。廃棄物分離では, ロボットがコンベアベルトの物体を正確に位置決めし, 選別するために, セグメンテーションマスクが不可欠である。現実世界の廃棄物環境の複雑さは、特定のパターンや重なり合うオブジェクトのない変形したアイテムによって特徴づけられ、さらに廃棄物の分断タスクを複雑にします。本稿では,重み付き平均手法を用いて,高性能セグメンテーションモデルであるU-NetとFPNを組み合わせることにより,セグメンテーション精度を向上させるためのアンサンブル学習手法を提案する。 U-Netはセグメンテーションタスクの細部や境界を捉えるのに優れており、FPNは複雑な環境におけるスケールの変動とコンテキストを効果的に処理し、それらの組み合わせされたマスクはより正確な予測をもたらす。使用したデータセットは実生活の廃棄物シナリオをよく模倣し、ディープラーニングセグメンテーションモデルのための特徴学習を強化するために前処理技術を適用した。 EL-4と呼ばれるアンサンブルモデルでは、IoU値は0.8306となり、U-Netの0.8065よりも改善され、FPNの0.1183からDiceの損失は0.09019に減少した。本研究は, 資源回収施設における廃棄物処理の効率化に寄与し, 人的介入が最小限に抑えられ, 全体のスループットの向上に寄与する可能性がある。

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)
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)
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)
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)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文参考訳（メタデータ） (2023-10-21T12:07:04Z)
IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
論文参考訳（メタデータ） (2022-02-01T20:03:56Z)
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。