体三维CT行李安检图像中的多类别三维目标检测
计算机视觉与模式识别
2020-08-05 v1 机器学习
图像与视频处理
摘要
乘客行李中违禁物品的自动检测对航空安全十分重要。基于X射线计算机断层扫描（CT）的三维成像广泛用于机场航空安全筛查，而先前关于自动违禁品检测的工作主要关注二维X射线图像。这些工作证明了将基于深度卷积神经网络（CNN）的自动违禁品检测从二维X射线图像扩展到体三维CT行李安检图像的可行性。然而，先前关于行李安检图像中三维目标检测的工作聚焦于某一特定类别物体的检测（例如{\it 瓶子}或{\it 手枪}）。因此，实践中若需检测多于一种违禁品，则需要多个模型。本文中，我们考虑使用统一框架检测多个关注物体类别。为此，我们构建了更具挑战性的三维CT图像内多类别三维目标检测问题，并提出了一种可行方案（3D RetinaNet）来解决该问题。为提升检测性能，我们研究了一系列策略，包括数据增强和不同的骨干网络。我们开展了实验，对所提出的三维CT行李安检图像多类别三维目标检测方法进行了定量与定性评估。实验结果表明，3D RetinaNet结合一系列有利策略可在五个物体类别（即{\it 瓶子、手枪、双筒望远镜、格洛克框架、iPods}）上取得65.3%的平均精度均值（mAP）。整体性能受{\it 格洛克框架}和{\it iPods}上较差表现的影响，原因在于数据缺乏及其与行李杂波相似。
引用
@article{arxiv.2008.01218,
title = {Multi-Class 3D Object Detection Within Volumetric 3D Computed Tomography Baggage Security Screening Imagery},
author = {Qian Wang and Neelanjan Bhowmik and Toby P. Breckon},
journal= {arXiv preprint arXiv:2008.01218},
year = {2020}
}
备注
Durham University