論文の概要: WasteAssistant: Regulation-Guided Visual Question Answering Framework for Intelligent Waste Segregation and Sustainable Managemen

• arxiv url: http://arxiv.org/abs/2607.10610v1
• Date: Sun, 12 Jul 2026 07:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.480801
• Title: WasteAssistant: Regulation-Guided Visual Question Answering Framework for Intelligent Waste Segregation and Sustainable Managemen
• Title（参考訳）: Waste Assistant: Intelligent Waste Segregation and Sustainable Managemenのためのルールガイド型ビジュアル質問応答フレームワーク
• Abstract要約: 本稿では,視覚的推論のための視覚言語モデルとマルチモーダルな大規模言語モデルを統合する,言語誘導型視覚AIフレームワークを提案する。 我々は,21の廃棄物カテゴリにまたがって,13,500の質問応答対を持つ新しい廃棄物VQAデータセットを構築した。 実験の結果、BLIPベースのモデルはBLEUスコア0.8291、BERTSスコア0.9273を達成し、従来のCNNベースの手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 7.532493604267203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient waste segregation is critical for sustainable urban management and environmental governance. Existing automated systems are limited by single-modality visual processing, insufficient contextual understanding, and weak regulatory alignment. To address these issues, we propose a language-guided vision-AI framework that integrates vision-language models and multimodal large language models for joint visual-linguistic reasoning. This framework implements a visual question answering paradigm aligned with India's Solid Waste Management Rules 2016. We construct a new WasteVQA dataset with 13,500 question-answer pairs across 21 waste categories. Experiments show that the BLIP-based model achieves a BLEU score of 0.8291 and a BERTScore of 0.9273, outperforming traditional CNN-based methods. This work improves source-level segregation accuracy, ensures regulatory compliance, and supports scalable deployment for municipal and citizen-facing waste management, promoting multimodal AI in sustainable urban infrastructure. The source code and dataset are available at: https://github.com/Khushkataruka/WasteAssistant
• Abstract（参考訳）: 廃棄物の効率的な分離は, 持続可能な都市管理と環境管理に不可欠である。 既存の自動化システムは、単一モードの視覚処理、文脈理解の不十分、規制の整合性の弱さによって制限されている。 これらの課題に対処するために,視覚言語モデルと多モーダル大言語モデルを統合した言語誘導型視覚AIフレームワークを提案する。 このフレームワークは、インドのSolid Waste Management Rules 2016に準拠した、視覚的な質問に答えるパラダイムを実装している。 我々は,21の廃棄物カテゴリにまたがって,13,500の質問応答対を持つ新しい廃棄物VQAデータセットを構築した。 実験の結果、BLIPベースのモデルはBLEUスコア0.8291、BERTSスコア0.9273を達成し、従来のCNNベースの手法よりも優れていた。 この作業は、ソースレベルの分離精度を改善し、規制コンプライアンスを保証し、自治体や市民が直面する廃棄物管理のためのスケーラブルなデプロイメントをサポートし、持続可能な都市インフラにおけるマルチモーダルAIを促進します。 ソースコードとデータセットは、https://github.com/Khushkataruka/WasteAssistant.comで入手できる。

関連論文リスト

• Can Large Multimodal Models Inspect Buildings? A Hierarchical Benchmark for Structural Pathology Reasoning [7.005450139695288]
  大規模マルチモーダルモデル(LMM)は、アクティブ推論へのパラダイムシフトを約束する。 textitDefectBenchは基本的な意味認識を超えてLMMを問うために設計された最初のベンチマークである。 この作業は厳格なベンチマーク標準と高品質なオープンソースデータベースの両方を提供する。
  論文  参考訳（メタデータ） (2026-03-20T17:24:46Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• WorldTravel: A Realistic Multimodal Travel-Planning Benchmark with Tightly Coupled Constraints [43.573740013433394]
  現実の自律計画では、単一の決定がその後のすべての行動の実現可能性を決定するような密結合した制約を調整する必要がある。 textbfWorldTravelは、平均15以上の時間的および論理的制約をナビゲートする必要がある5つの都市で150の現実世界の旅行シナリオからなるベンチマークである。 エージェントを現実的な配置で評価するために,2000以上のレンダリングWebページを備えたマルチモーダル環境である textbfWorldTravel-Webscape を開発した。
  論文  参考訳（メタデータ） (2026-02-09T08:03:30Z)
• Understanding Degradation with Vision Language Model [56.09241449206817]
  視覚的劣化を理解することは、コンピュータビジョンにおいて重要な問題であるが、難しい問題である。 本稿では,教師付き微調整と強化学習を併用したマルチモーダル・チェーン・オブ・ソート・モデルであるDU-VLMを紹介する。 また,110,000個のクリーン劣化ペアと接地された物理アノテーションからなる大規模データセットである textbfDU-110k も導入した。
  論文  参考訳（メタデータ） (2026-02-04T13:51:15Z)
• Towards Governance-Oriented Low-Altitude Intelligence: A Management-Centric Multi-Modal Benchmark With Implicitly Coordinated Vision-Language Reasoning Framework [34.329124613235045]
  GovLA-10Kは、低高度インテリジェンスのための管理指向のマルチモーダルベンチマークである。 GovLA-Reasonerは、ガバナンスを意識した空中認識に適した視覚言語推論フレームワークである。
  論文  参考訳（メタデータ） (2026-01-27T14:17:04Z)
• HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification [0.7734726150561086]
  リサイクル可能な材料のミスクラス化は、埋立地の蓄積、非効率なリサイクル、温室効果ガスの排出の増加に寄与する。 本研究では、畳み込み特徴抽出、微分可能な自己組織化、スパイキングにインスパイアされた時間処理を統合したハイブリッドディープラーニングフレームワークであるHybridSOMSpikeNetを紹介する。
  論文  参考訳（メタデータ） (2025-10-23T15:47:09Z)
• CityLens: Benchmarking Large Language-Vision Models for Urban Socioeconomic Sensing [18.67492140450614]
  CityLensは、衛星やストリートビューの画像から社会経済指標を予測するために、大きな言語ビジョンモデル(LLVM)の能力を評価するために設計されたベンチマークである。 経済、教育、犯罪、輸送、健康、環境の6つの主要な領域にまたがる、合計17のグローバルな分散都市をカバーするマルチモーダルデータセットを構築した。 その結果,LLVMは有望な知覚・推論能力を示すが,都市社会経済指標の予測には限界があることが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-31T12:25:33Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• BabelBench: An Omni Benchmark for Code-Driven Analysis of Multimodal and Multistructured Data [61.936320820180875]
  大規模言語モデル(LLM)は、様々な領域でますます重要になっている。 BabelBenchは、コード実行によるマルチモーダルなマルチ構造化データ管理におけるLLMの熟練度を評価する革新的なベンチマークフレームワークである。 BabelBenchの実験結果から,ChatGPT 4のような最先端モデルでさえ,大幅な改善の余地があることが示唆された。
  論文  参考訳（メタデータ） (2024-10-01T15:11:24Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• IoT-based Route Recommendation for an Intelligent Waste Management System [61.04795047897888]
  本研究は, 空間制約を考慮したIoT対応廃棄物管理システムにおいて, 経路推薦のためのインテリジェントなアプローチを提案する。 我々のソリューションは、ビンの状態と座標を考慮に入れた複数レベルの意思決定プロセスに基づいている。
  論文  参考訳（メタデータ） (2022-01-01T12:36:22Z)

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。