物体与子部件级分割策略对X射线安检图像中监督异常检测的影响
计算机视觉与模式识别
2019-11-20 v1 机器学习
图像与视频处理
摘要
X射线安检已广泛用于维护交通运输安全，以防范广泛的潜在威胁类型。近期特别关注自动化筛查方法的使用，包括将潜在异常检测作为复杂电子物品中藏匿物检测的方法。本文针对该问题，考虑不同的分割策略，以借助二级卷积神经网络（CNN）架构实现物体级与子部件级异常检测。我们在一个包含大量杂乱X射线图像示例的数据集上评估了相对性能，重点关注消费电子产品。我们发现，在二级异常检测的分类阶段，子部件级分割取得了略优的性能，异常真正率约为98%，假正率约为3%。
引用
@article{arxiv.1911.08216,
title = {On the Impact of Object and Sub-component Level Segmentation Strategies for Supervised Anomaly Detection within X-ray Security Imagery},
author = {Neelanjan Bhowmik and Yona Falinie A. Gaus and Samet Akcay and Jack W. Barker and Toby P. Breckon},
journal= {arXiv preprint arXiv:1911.08216},
year = {2019}
}