SAMSort: Vision foundation model for sorting construction and demolition waste
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
The rapid growth of construction and demolition waste (CDW) poses significant challenges to environmental sustainability and the availability of land resources, particularly in densely populated cities like Hong Kong, highlighting the urgent need for efficient waste sorting and recycling techniques. Traditional CDW sorting facilities (CWSFs) rely heavily on manual and mechanical operations, which are labour-intensive, costly, and often inefficient. Recent advances in computer vision offers new opportunities for automating CDW sorting, yet most existing models require large training datasets, substantial computational resources, and generally cannot estimate the precise area proportion of each waste category, limiting their practical deployment. To address these challenges, this paper introduces SAMSort, a novel framework that adapts the Segment Anything Model (SAM) for CDW sorting through parameter-efficient fine-tuning (PEFT). Six types of PEFT layers, including transformer adapter, attention adapter, multilayer perceptron adapter, and three variants of low-rank adaptation (LoRA Types I–III), are adopted to reduce the number of trainable parameters. In addition, the performance of all 24 possible combinations is evaluated. A new dataset collected from Tseung Kwan O (TKO) CWSF is constructed for model training and evaluation. The results show that SAMSort achieves competitive waste sorting performance, with an F1-score of 0.764 and an Intersection of Union (IoU) of 0.670 using only 1% of the parameters required for full fine-tuning. ➢ A construction waste sorting method based on the vision foundation model is developed for construction and demolition waste ➢ Six types of parameter-efficient fine-tuning layers are built for model adaptation ➢ A dataset is built based on the sorting data acquired from a sorting site at Tseung Kwan O for model training and evaluation ➢ The model achieves competitive waste sorting performance with 1% of the parameters
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