基于卷积神经网络使用X射线能量响应图像进行目标检测的影响研究
计算机视觉与模式识别
2021-08-31 v1 机器学习
摘要
在复杂杂乱的X射线安检图像中自动检测违禁物品对维护交通安保至关重要，此前关于自动违禁物品检测的工作主要关注伪彩色（rgb）X射线图像。在本工作中，我们研究了在X射线行李安检中，通过深度卷积神经网络（CNN）执行联合目标检测与分割任务时，相较于rgb，变体X射线图像（即X射线能量响应（高、低）和有效原子序数（effective-z））的影响。我们评估了最先进的CNN架构（Mask R-CNN、YOLACT、CARAFE和Cascade Mask R-CNN），以探究使用此类“原始”变体图像训练的模型在不同X射线安检扫描仪之间的可迁移性，这些扫描仪具有不同的成像几何、图像分辨率和材料颜色特征。总体而言，我们观察到使用CARAFE获得最大检测性能，这归因于使用rgb、高、低和有效-z X射线图像组合进行训练，在六类目标检测问题中获得了0.7的平均精度均值（mAP）。我们的结果还展示了通过将rgb、高、低和有效-z图像组合，在单类目标检测问题的跨扫描仪可迁移性方面（AP：0.835/0.611）具有显著的泛化能力。
引用
@article{arxiv.2108.12505,
title = {On the impact of using X-ray energy response imagery for object detection via Convolutional Neural Networks},
author = {Neelanjan Bhowmik and Yona Falinie A. Gaus and Toby P. Breckon},
journal= {arXiv preprint arXiv:2108.12505},
year = {2021}
}