复杂货物背景下基于深度学习的二维被动源检测
仪器与探测器
2020-10-28 v4
摘要
在高噪声环境中进行源检测的方法对于单光子发射计算机断层扫描（SPECT）医学成像十分重要，而对于国土安全应用（这是我们主要关注的）尤为关键。在后一种情况下，需要处理在显著背景噪声（信噪比（SNR）为1%或更低）下被动检测低发射核源存在的问题。在被动发射问题中，需要方向敏感探测器，以匹配图像与数据的维数。标准Anger γ相机中用于该目的的准直器并非可行方案。相反，可利用康普顿γ相机（以及用于其他类型辐射的类似设备）。此前两位作者及其合作者提出的反投影方法能够在随机均匀背景存在的情况下实现检测。然而，在大多数实际应用中，货运集装箱和卡车中的货物装载会形成强吸收与散射区域，同时留下一些直通间隙。在此类情况下，反投影方法被证明无效并丧失检测能力。尽管如此，对反投影图像的视觉感知表明数据中可能仍存在某些源存在的迹象。为学习此类特征（若其确实存在），我们在二维中实现了深度神经网络方法，该方法在低散射情形下确实表现出比反投影技术更高的灵敏度与特异度，并且在复杂货物存在导致反投影完全失效时依然表现良好。
引用
@article{arxiv.2003.04089,
title = {Deep learning for 2D passive source detection in presence of complex cargo},
author = {Weston Baines and Peter Kuchment and Jean Ragusa},
journal= {arXiv preprint arXiv:2003.04089},
year = {2020}
}