使用深度学习自动检测走私的高风险安全威胁
计算机视觉与模式识别
2016-09-12 v1
摘要
当前的安全基础设施难以检测和阻止非爆炸性装置的走私，这些装置使最近在西欧发生的恐怖袭击成为可能。目前，在货运集装箱中检测所谓的“小型金属威胁”（SMTs）依赖于统计风险分析、情报报告以及安检人员对 X 射线图像的视觉检查。由于任务的困难性，后者非常缓慢且不可靠：必须在包含超过 200 万像素且背景极其复杂杂乱的图像中检测出可能占据不到 50 像素的物体。在本文中，我们首次展示了使用卷积神经网络——一种深度学习方法——在货运集装箱的全尺寸 X 射线图像中自动检测 SMTs。新颖的数据集增强方法使得在可用数据稀缺的情况下仍能从头训练 CNNs。我们在检测隐藏在商业物流图像中的 90% SMTs 时，报告了低于 6% 的误报率，这比诸如词袋模型等常规方法改善了一个数量级以上。所提出的方案以安检人员进行视觉检查所需时间的一小部分（每个集装箱图像的处理时间约为 3.5 秒），提供了潜在的超越人类水平的性能。
引用
@article{arxiv.1609.02805,
title = {Automated detection of smuggled high-risk security threats using Deep Learning},
author = {Nicolas Jaccard and Thomas W. Rogers and Edward J. Morton and Lewis D. Griffin},
journal= {arXiv preprint arXiv:1609.02805},
year = {2016}
}
备注
Submission for Crime Detection and Prevention conference 2016