评估卷积神经网络在 X 射线安检图像中用于威胁物品检测与分类的可迁移性与对抗判别能力
计算机视觉与模式识别
2019-11-21 v1 机器学习
图像与视频处理
摘要
X 射线图像安检筛查对于维护运输安全、应对不断变化的威胁或违禁物品至关重要。在复杂且杂乱的 X 射线安检图像中，自动检测和分类诸如枪支和刀具等武器尤其受到关注。在此，我们通过探索各种端到端的目标检测卷积神经网络（CNN）架构来解决这个问题。我们评估了涵盖 Faster R-CNN、Mask R-CNN 和 RetinaNet 架构的几种领先变体，以探索此类模型在具有不同成像几何、图像分辨率和材料色彩配置的不同 X 射线扫描仪之间的可迁移性。虽然 X 射线威胁图像数据的有限可用性可能构成挑战，但我们采用迁移学习方法来评估在多类别检测问题上是否存在这种跨扫描仪的泛化能力。总体而言，我们使用带有 ResNet 分类网络的 Faster R-CNN 架构实现了最高的检测性能，对于来自不同 X 射线成像源的三类和两类物品，分别获得了 0.88 和 0.86 的平均精度均值（mAP）。我们的结果在跨扫描仪性能方面表现出显著的泛化能力（mAP: 0.87，枪支检测: 0.94 AP）。此外，我们使用专门生成的用于枪支检测的对抗性数据集，检验了此类网络固有的对抗判别能力——在低至 5% 的可变低误报率下，这显示了 X 射线安检图像中此类威胁检测的挑战与前景。
引用
@article{arxiv.1911.08966,
title = {Evaluating the Transferability and Adversarial Discrimination of Convolutional Neural Networks for Threat Object Detection and Classification within X-Ray Security Imagery},
author = {Yona Falinie A. Gaus and Neelanjan Bhowmik and Samet Akcay and Toby P. Breckon},
journal= {arXiv preprint arXiv:1911.08966},
year = {2019}
}