刀具与威胁检测器
计算机视觉与模式识别
2020-04-09 v2 机器学习
摘要
尽管基于图像的机器学习取得了快速进展，但针对持刀袭击者的威胁识别尚未获得学界充分关注。考虑到较高的持刀袭击率（每年超过10万起）以及可用于分析与法医记录的公共视频监控日益普及，这一相对的研究空白似乎更令人费解。我们提出了三种互补的方法，利用多个刀具图像数据集对自动化威胁识别进行评分，每种方法的目标都是在最小化误识假阳性与危险假阴性的同时，缩小可能的袭击意图范围。为向观察者预警持刀威胁，我们测试并部署了围绕 MobileNet 构建的分类器，该分类器位于一个稀疏且剪枝的神经网络中，内存需求小（< 2.2 兆字节），测试准确率达95%。其次，我们训练了一个检测算法（MaskRCNN）以在单幅图像中分割手与刀具，并对其相对位置赋予可能的不确定性。该分割既通过边界框实现定位，也通过相对位置推断过手威胁。最后，一个基于 PoseNet 架构构建的模型分配解剖路点或骨骼特征，以缩小威胁特征并减少被误解的意图。我们进一步识别并补充了现有数据缺口，这些缺口可能使已部署的刀具威胁检测器失明，例如收集无害的手与拳头图像作为重要的负训练集。当在商用硬件与软件解决方案上自动化时，本研究的原创贡献之一便是这一系统性调研：利用及时且易得的基于图像的警报，在悲剧发生前就任务优先排序并部署犯罪预防对策。
引用
@article{arxiv.2004.03366,
title = {Knife and Threat Detectors},
author = {David A. Noever and Sam E. Miller Noever},
journal= {arXiv preprint arXiv:2004.03366},
year = {2020}
}