Xception Architecture Transfer Learning for Garbage Classification

Rismiyati,; Endah, Sukmawati Nur; Khadijah, Khadijah; Shiddiq, Ilman Nabil

doi:10.1109/icicos51170.2020.9299017

Cited by 29 publications

(17 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…One of the most important datasets is the one gathered during the development of TrashNet [ 7 ]. This dataset has been the basis for many other studies [ 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 ]. The TrashNet dataset has been further extended by adding the compost class [ 10 ].…”

Section: Related Workmentioning

confidence: 99%

“…In fact, these images did not accurately represent the state of wasted goods as most of them represents undamaged or totally unused objects. The TrashNet dataset has been largely used [ 7 , 8 , 10 , 11 , 13 , 15 , 16 , 20 , 21 ]. The set of additional images in CompostNet has the same features of the rest of the TrashNet dataset.…”

Section: Datasetsmentioning

confidence: 99%

“…For example, waste pickers of the most important landfills in Brazil have been, or still are, subject to many diseases, due to working conditions: mainly osteo-muscular disorders, but also viral infections and emotional vulnerabilities [ 6 ]. Therefore, current waste recognition systems [ 7 , 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 ] as well as current corpora for training [ 7 , 10 ] focus on the activity of waste sorting in waste management plants. Solid waste runs on conveyor belts and, then, it is sorted into the different types.…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Data Augmentation Using Background Replacement for Automated Sorting of Littered Waste

2021

View full text Add to dashboard Cite

The introduction of sophisticated waste treatment plants is making the process of trash sorting and recycling more and more effective and eco-friendly. Studies on Automated Waste Sorting (AWS) are greatly contributing to making the whole recycling process more efficient. However, a relevant issue, which remains unsolved, is how to deal with the large amount of waste that is littered in the environment instead of being collected properly. In this paper, we introduce BackRep: a method for building waste recognizers that can be used for identifying and sorting littered waste directly where it is found. BackRep consists of a data-augmentation procedure, which expands existing datasets by cropping solid waste in images taken on a uniform (white) background and superimposing it on more realistic backgrounds. For our purpose, realistic backgrounds are those representing places where solid waste is usually littered. To experiment with our data-augmentation procedure, we produced a new dataset in realistic settings. We observed that waste recognizers trained on augmented data actually outperform those trained on existing datasets. Hence, our data-augmentation procedure seems a viable approach to support the development of waste recognizers for urban and wild environments.

show abstract

Section: Related Workmentioning

confidence: 99%

Section: Datasetsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Data Augmentation Using Background Replacement for Automated Sorting of Littered Waste

2021

View full text Add to dashboard Cite

show abstract

“…Xception, kalan bağlantılar ve derinlemesine ayrılabilir katmanların doğrusal bir şekilde birleştirilmesi ile oluşmaktadır [29]. Derinlemesine ayrılabilir katman ise kanal bazlı evrişim ve noktasal evrişim olarak iki alt katmana ayrılmaktadır [30]. Bu mimaride görüntüler ilk aşama noktasal evrişim ikinci aşamada ise derinlemesine evrişim ile analiz edilmeye başlanmaktadır [30].…”

Section: A14 Xceptionunclassified

“…Derinlemesine ayrılabilir katman ise kanal bazlı evrişim ve noktasal evrişim olarak iki alt katmana ayrılmaktadır [30]. Bu mimaride görüntüler ilk aşama noktasal evrişim ikinci aşamada ise derinlemesine evrişim ile analiz edilmeye başlanmaktadır [30]. Bu mimarinin tasarlanmasındaki ana motivasyon daha çok parametre ile her türlü problemi çözmek olarak ifade edilmiştir [31].…”

Section: A14 Xceptionunclassified

Comparison of Lightweight and Traditional CNN Architectures in COVID-19 Detection from Lung X-Ray Images

ERYILMAZ

Karacan

2021

Düzce Üniversitesi Bilim Ve Teknoloji Dergisi

View full text Add to dashboard Cite

Solunum sistemine etki eden ve ileri vakalarda ölüme neden olan korona virüs salgını yaklaşık iki yıldır devam etmektedir. Her ülkenin salgın ile mücadele yöntemi farklı olmasına rağmen ortak izlenen metot ise hastalığın tespiti ve izolasyonudur. Tespit ve izolasyon için en kritik adım ise COVID-19 tanısının doğru ve hızlı konulmasıdır. Akciğer X-Ray görüntülerinde virüse özgü bulgulara rastlanılması, bu verilerin hastalık teşhisinde kullanılabileceğini göstermektedir. İlgili çalışmanın amacı, makine öğrenmesi yöntemleri ile COVID-19 ve diğer akciğer hastalıklarına ait X-Ray görüntülerini işleyerek çoklu sınıflandırma yapmaktır. Bu sayede kriz anında tanı koyma ve izolasyon için yardım alınacak alanında uzman olmayan personele mobil cihazlar vasıtasıyla karar aşamasında destek sağlanması hedeflenmektedir. Bu amaçla: COVID-19, Normal, Akciğer Opasitesi, Diğer Pnömoni etiketlerine ait 11,293 X-Ray görüntüsünden oluşan veri seti MobileNetV2, NASNetMobile, Xception ve DenseNet121 CNN ağları kullanılarak sınıflandırılmış ve sonuçlar karşılaştırılmıştır. En başarılı sonuçlar DenseNet121 ve MobileNet ağları ile elde edilmiş olup sırası ile %92,16 ve %91,78 doğruluk oranıyla sınıflandırma gerçekleştirilmiştir.

show abstract