面向X射线图像中违禁物品检测的卷积神经网络架构工程化应用
计算机视觉与模式识别
2021-10-12 v1 人工智能
机器学习
摘要
深度卷积神经网络（CNN）近期的进展为航空安全等领域的X射线安检自动化带来了启示。本文从运维视角出发，通过平衡处理时间与图像数据压缩的影响，探讨了两种近期端到端目标检测CNN架构——Cascade R-CNN与FreeAnchor——用于违禁物品检测的可行性。总体而言，我们使用带ResNet50骨干的FreeAnchor架构取得了最大检测性能，在OPIXray与SIXray基准数据集上分别获得87.7与85.8的平均精度均值（mAP），优于先前工作在两者上的表现。凭借更少的参数量与更短的训练时间，FreeAnchor实现了约13 fps（每图3.9 ms）的最高检测推理速度。此外，我们评估了有损图像压缩对检测器性能的影响。CNN模型对有损压缩表现出显著鲁棒性，在JPEG压缩等级50下mAP仅下降1.1%。我们还提供了对数据增强技术的详尽评估，包括MixUp与CutMix策略的改进及其他标准变换，进一步提升了检测精度。
引用
@article{arxiv.2110.04906,
title = {Operationalizing Convolutional Neural Network Architectures for Prohibited Object Detection in X-Ray Imagery},
author = {Thomas W. Webb and Neelanjan Bhowmik and Yona Falinie A. Gaus and Toby P. Breckon},
journal= {arXiv preprint arXiv:2110.04906},
year = {2021}
}