Optimization of automated garbage recognition model based on ResNet-50 and weakly supervised CNN for sustainable urban development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the context of sustainable urban development, effective garbage management plays a crucial role. However, traditional methods encounter limitations in terms of data quality and quantity. The research on automatic garbage image recognition and classification methods based on deep learning has been gaining attention. This study proposes an integrated garbage image recognition and classification method that combines ResNet-50, YOLOv5, and weakly supervised CNN algorithms. The aim is to enhance both the accuracy and efficiency of image recognition, optimize intelligent garbage management, and promote urban sustainable development planning. The ResNet-50 model is employed to extract meaningful features from images and train weakly supervised CNN models for subsequent training and prediction. This enables the analysis of urban environmental development trends and the formulation of planning measures. Through evaluation on four representative public datasets, the proposed method outperforms several traditional algorithms in terms of accuracy, efficiency, and stability in garbage image recognition systems. Notably, on the HGI-30 dataset, the algorithm achieves significant improvements by reducing inference time by over 48.6%, FLOPs by over 46.5%, and MAPE by over 41%. These enhancements greatly enhance the accuracy and robustness of garbage image classification, highlighting the substantial significance of this method in the realms of garbage management and environmental protection. • We integrate different deep learning algorithms to enhance the accuracy and efficiency. • Integration of IoT and communication technologies optimizes the intelligent garbage management. • The method holds significance for waste management and sustainable urban development planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle