用于杂乱 X 射线安检图像中对象级异常检测的双卷积神经网络架构评估
计算机视觉与模式识别
2019-04-11 v1
摘要
X 射线行李安检广泛用于维护航空与交通安保。尤其令人关注的是针对特定类别对象（如电子产品、电器物品和液体）的自动化安全 X 射线分析。然而，在处理潜在异常物品时，此类物品的手动检查颇具挑战。本文提出一种双卷积神经网络（CNN）架构，用于复杂安全 X 射线图像中的自动异常检测。我们利用近期基于区域的（R-CNN）、基于掩码的 CNN（Mask R-CNN）以及诸如 RetinaNet 等检测架构的进展，为感兴趣特定对象类提供对象定位变体。随后，借助一系列成熟的 CNN 对象与细粒度类别分类方法，我们将对象内异常检测构建为二分类问题（异常或良性）。在六类 X 射线对象检测问题上，性能最优的对象定位方法可达到 97.9% 的平均精度均值（mAP），而后续的二分类异常/良性分类在对象内异常检测上可达到 66% 的性能。总体而言，该性能既说明了杂乱 X 射线安检图像中对象级异常检测的挑战，也展现了其前景。
引用
@article{arxiv.1904.05304,
title = {Evaluation of a Dual Convolutional Neural Network Architecture for Object-wise Anomaly Detection in Cluttered X-ray Security Imagery},
author = {Yona Falinie A. Gaus and Neelanjan Bhowmik and Samet Akçay and Paolo M. Guillen-Garcia and Jack W. Barker and Toby P. Breckon},
journal= {arXiv preprint arXiv:1904.05304},
year = {2019}
}
备注
IJCNN 2019