Sep, 2023

EWasteNet: 一种用于电子垃圾分类的双流数据高效图像转换器方法

PDF
TL;DR本文提出了一个包含八种不同类别电子设备图像的全面数据集 ——E-Waste Vision Dataset，并介绍了 EWasteNet，一种基于数据有效的图像转换器（DeiT）的精确电子废弃物图像分类的新型两流方法。该方法通过 Sobel 算子检测边缘来完成第一流，通过 Atrous 空间金字塔池化和注意力块来捕捉多尺度上下文信息的第二流。我们同时训练这两个流，它们的特征在决策层被合并。该方法在处理电子废弃物管理的全球关切方面具有显著的有用性，通过准确地对电子废弃物图像进行分类，减少了与不当处理相关的健康与安全风险，促进了高效的废物处理和回收。
e-wasteclassificationimagedatasetmanagement
发现论文，激发创造
  • MWaste：一种处理家庭垃圾的深度学习方法

    介绍了一种名为 MWaste 的移动应用程序，使用计算机视觉和深度学习技术将垃圾材料分类为垃圾、塑料、纸张、金属、玻璃或纸板，可以帮助有效处理垃圾、减少温室气体的排放。

    Apr, 2023

  • EWT: 单幅图像去噪高效小波变换器

    提出了一种高效的小波变换器 (Efficient Wavelet Transformer，EWT) 方法，使用离散小波变换 (DWT) 和反小波变换 (IWT) 降采样和升采样以实现图像降噪。同时，还提出了一种新颖的双流特征提取块 (DFEB) 来在不同的级别提取图像特征，缩短模型推断时间和 GPU 存储器使用量。实验证明，该方法提高了原始 Transformer 的速度超过 80%，减少了 GPU 存储器使用量超过 60%，并取得了良好的去噪结果。

    Apr, 2023

  • 多个深度 CNN 模型应用于废品分类的比较分析

    本研究旨在分析实现自动废物分类和收集的可能性，通过使用深度学习网络来对废物进行有效分类，进一步促进再生资源的回收。研究结果表明使用 ResNet18 网络进行微调，可以实现废物分类的最佳识别率为 87.8%。

    Apr, 2020

  • 双流注意力变换器用于下水道缺陷分类

    我们提出了一种双流多尺度视觉转换器 (DS-MSHViT) 架构，用于高效下水道缺陷分类，并联训练了一个 RGB 分支和一个运动分支的单一网络，通过自注意力正则化来利用 RGB 和运动流的互补优势，以增强 RGB 的关注地图从而集中于相关输入区域。

    Nov, 2023

  • ZeroWaste 数据集：面向杂乱场景中的可变形物体分割

    该研究利用零浪费（ZeroWaste）数据集的计算机视觉技术，旨在提高回收处理过程中的分选效率，从而减少污染。

    Jun, 2021

  • 将人类视觉感知融入视觉转换器用于废物分类

    通过使用差异模糊技术在数据集上模拟眼球震颤学习现象，此文研究了垃圾分类的一种新方法，该方法中的第二个模块类似于原始的 Vision Transformer 模型，能够提高模型的精确性和适应性，比标准 Vision Transformer 模型在垃圾分类任务中表现出 2% 的改进幅度。

    Dec, 2023

  • 卷积神经网络推断可回收物品

    使用卷积神经网络和计算机视觉开发了一个用于自动化固体废物分类的工具，通过使用新构建的数据集及三种网络，成功达到 99% 的准确率并将网络的尺寸缩小一半，并将这三个网络进行了浮点数和其他格式的量化，以在移动应用程序中使用。

    Apr, 2021

  • 利用卷积神经网络分类智能手机部件进行回收

    通过使用图像分类神经网络作为处理智能手机废料的一种更高效、成本更低、更广泛适用的替代工具，我们调查了在循环经济中废弃电子设备的回收利用，以实现环境和经济的显著收益。我们使用了 1,127 个经过热解的智能手机组件图像构建数据集，并使用 VGG-16 图像分类模型进行训练和评估，模型达到了 83.33% 的准确性，为使用这样的神经网络在材料分离中的可行性提供了支持。

    Dec, 2023

  • 一种基于 Transformer 的胃肠道疾病检测方法

    本研究使用视觉转换器和迁移学习模型对内窥镜图像进行特征分类，从而协助医疗诊断，识别肠道疾病，准确率可达 95.63％。与预训练的卷积神经网络模型 DenseNet201 进行比较，并证明视觉转换器在各种数量化性能评估指标上均优于 DenseNet201。

    Oct, 2022

  • SpectralWaste 数据集：用于垃圾分类自动化的多模态数据

    对于物体分割的多模态感知在实际废物管理环境中进行了研究，包括数据集收集和算法评估，证明了高光谱成像可在工业环境中提升光学感知性能。

    Mar, 2024