用于X射线图像中威胁半监督卷积目标检测的背景技术自适应Faster R-CNN
计算机视觉与模式识别
2020-10-06 v1
摘要
近来,在利用X射线图像进行随身行李中威胁识别的有监督卷积目标检测器(如Faster R-CNN)训练方面已取得进展。这是美国运输安全管理局(TSA)保护航空旅客使命的一部分。尽管更多带威胁的训练数据可能可靠地提升这类深度算法的性能,但在真实场景中布置此类数据成本高昂。相比之下,来自真实世界的数据可以以极低成本快速收集。本文中,我们提出一种称为背景技术自适应Faster R-CNN的威胁识别半监督方法。该方法是一种针对两阶段目标检测器的训练方法,使用了深度学习领域的域适应方法。前述数据源构成两个“域”:带威胁图像的人工收集数据域,以及假定无威胁的真实世界图像域。两个域判别器——一个用于判别目标提议,一个用于判别图像特征——被对抗训练以阻止编码特定域信息。若无此惩罚,卷积神经网络(CNN)可能基于表面特征学会识别域,并在不提升其目标识别能力的情况下最小化有监督损失函数。对于人工收集数据,仅使用来自背景的目标提议与图像特征。这些域自适应判别器的损失被加到来自两个域图像的Faster R-CNN损失中。这能通过使人工收集背景提取特征的统计量与真实世界数据相匹配,从而降低威胁检测误报率。在两个独立收集的带标签威胁数据集上展示了性能提升。
引用
@article{arxiv.2010.01202,
title = {Background Adaptive Faster R-CNN for Semi-Supervised Convolutional Object Detection of Threats in X-Ray Images},
author = {John B. Sigman and Gregory P. Spell and Kevin J Liang and Lawrence Carin},
journal= {arXiv preprint arXiv:2010.01202},
year = {2020}
}