論文の概要: EcoBin: A Two-Stage Deep Convolutional Neural Network for Contamination-Aware Waste Classification

• arxiv url: http://arxiv.org/abs/2606.15547v1
• Date: Sun, 14 Jun 2026 02:20:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.685215
• Title: EcoBin: A Two-Stage Deep Convolutional Neural Network for Contamination-Aware Waste Classification
• Title（参考訳）: EcoBin: 汚染を意識した廃棄物分類のための2段階の深層畳み込みニューラルネットワーク
• Abstract要約: EcoBinは2段階の深層畳み込みニューラルネットワークであり,その処理経路によって家庭用廃棄物を分類する。 汚染されたリサイクル可能物のパブリックデータセットは存在しないので、クリーンなリサイクル可能物の画像をU2-Netモデルで分割して合成する。 完全パイプライン経路24は、汚染されたリサイクル可能物の試験セットにおいて、ベース分類器単独で25の1のみと比較して、正しく25の項目からなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Waste classification models have become highly accurate at sorting waste, often exceeding 95% on benchmark datasets. However, these models fail to account for contamination in recyclable waste. We present EcoBin, a two-stage deep convolutional neural network that classifies household waste by its disposal pathway and that explicitly accounts for contamination. The first stage is a base waste classifier built on an EfficientNetV2-S backbone that assigns each of the thirty waste categories in our dataset to one of four disposal pathways. The second stage is a contamination classifier that inspects any item routed toward recycling and overrides the decision to garbage when contamination is detected. Because no public dataset of contaminated recyclables exists, we synthesize one by segmenting images of clean recyclable objects with a U2-Net model and compositing realistic contamination textures onto their surfaces. The first stage achieves 87.42% test accuracy and a 96.13% pathway-adjusted accuracy. Meanwhile, the contamination stage distinguishes clean from contaminated items with a 0.99 ROC-AUC. On a test set of contaminated recyclables, the complete pipeline routes 24 of 25 items correctly, compared with only 1 of 25 for the base classifier alone. A McNemar's test confirms that the improvement contributed by the contamination stage is statistically significant (p < 0.001).
• Abstract（参考訳）: 廃棄物分類モデルは廃棄物の分類において高度に正確化され、しばしばベンチマークデータセットでは95%を超えている。 しかし、これらのモデルはリサイクル可能な廃棄物の汚染を考慮に入れない。 EcoBinは2段階の深層畳み込みニューラルネットワークで、処理経路によって家庭用廃棄物を分類し、汚染を明示的に説明する。 最初の段階は、EfficientNetV2-Sバックボーン上に構築されたベース廃棄物分類器で、データセットの30の廃棄物カテゴリのそれぞれを4つの処理経路のうちの1つに割り当てます。 第2段階は汚染分類器であり、リサイクルに向けてルートされたアイテムを検査し、汚染が検出されたときにゴミに決定を上書きする。 汚染されたリサイクル対象のパブリックデータセットは存在しないため、クリーンなリサイクル対象のイメージをU2-Netモデルで分割し、それらの表面に現実的な汚染テクスチャを合成して合成する。 第1段階は87.42%のテスト精度と96.13%の経路調整精度を達成する。 一方、汚染段階は0.99ROC-AUCで汚染された汚染物と区別される。 完全パイプライン経路24は、汚染されたリサイクル可能物の試験セットにおいて、ベース分類器単独で25の1のみと比較して、正しく25の項目からなる。 マクネマールの実験では、汚染段階による改善が統計的に有意であることが確認されている(p < 0.001)。

関連論文リスト

• 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)
• A Method for Waste Segregation using Convolutional Neural Networks [0.0]
  本稿では, 廃棄物分類の問題を解決するために, ディープラーニングアルゴリズムを用いた手法を提案する。 提案手法の精度は94.9%である。
  論文  参考訳（メタデータ） (2022-02-23T14:32:10Z)
• Classification of PS and ABS Black Plastics for WEEE Recycling Applications [63.942632088208505]
  本研究の目的は,ポリスチレン (PS) 型とアクリロニトリルブタジエン (ABS) 型の黒色プラスチックを用いて,異なる種類のプラスチックを分類できるシステムを作ることである。 畳み込みニューラルネットワークのテストと再訓練が行われ、95%の精度が得られた。 別個のテストセットを使用して平均精度は86.6%まで低下するが、結果を見てみるとABS型が100%正確に分類されていることが分かるため、すべてのエラーを蓄積するPS型である。
  論文  参考訳（メタデータ） (2021-10-20T12:47:18Z)
• 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)
• Waste detection in Pomerania: non-profit project for detecting waste in environment [0.0]
  リッターは、バイオ、ガラス、金属、プラスチック、リサイクル不能、その他の紙、未知の7つのカテゴリに分類される。 提案手法は, 廃棄物検出における平均精度の70%, テストデータセットにおける分類精度の約75%を達成する。
  論文  参考訳（メタデータ） (2021-05-12T09:33:22Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet [0.0]
  誤った廃棄物処理を減らそうとする試みは、高価で不正確で混乱している。 我々は,高度に最適化されたディープラーニング技術を利用して,廃棄物をゴミ,リサイクル,コンポストに即時分類するモバイルアプリDeepWasteを提案する。 我々の最良のモデルは、50層からなるディープラーニング残留ニューラルネットワークであり、テストセットの平均精度は0.881である。
  論文  参考訳（メタデータ） (2021-01-15T04:06:25Z)
• One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
  三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
  論文  参考訳（メタデータ） (2020-12-14T10:44:22Z)
• Comparative Analysis of Multiple Deep CNN Models for Waste Classification [0.0]
  このプロジェクトはよく知られたDeep Learning Networkアーキテクチャを、独自の取り組みとTrush Netを組み合わせたデータセットによる廃棄物分類でテストした。 ダストビンの形で作られたハードウェアは、それらの廃棄物を異なる区画に分離するために使用される。
  論文  参考訳（メタデータ） (2020-04-05T11:50:27Z)

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。