用于含噪 X 射线图像中违禁品检测的过采样去遮挡注意力网络
计算机视觉与模式识别
2021-03-02 v1
摘要
安检是对行李中个人物品的 X 射线扫描，对公共安全极为重要，但对人工检查员高度耗时。幸运的是，深度学习极大推动了计算机视觉的发展，为自动安检提供了可能途径。然而，行李内物品随机重叠导致含噪且严重遮挡的 X 射线图像。因此，通过常见图像识别数据集训练的基于 CNN 的传统模型在此场景下无法取得满意性能。为解决这些问题，我们贡献了首个高质量违禁 X 射线目标检测数据集 OPIXray，包含来自广泛出现的违禁品“刀具”5 类的 8885 张 X 射线图像。图像采集自机场，这些违禁品由专业检查员手动标注，可用作模型训练基准并进一步促进未来研究。为更好改进遮挡 X 射线目标检测，我们进一步提出过采样去遮挡注意力网络（DOAM-O），其由新颖的去遮挡注意力模块与新的过采样训练策略组成。具体而言，我们的去遮挡模块即 DOAM，同时利用违禁品的不同外观信息；过采样训练策略迫使模型更关注由高遮挡级别物品组成的难样本，更适用于此场景。我们在 OPIXray 数据集上全面评估了 DOAM-O，证明我们的模型能稳定提升 SSD、YOLOv3 与 FCOS 等著名检测模型的性能，并优于许多广泛使用的注意力机制。
引用
@article{arxiv.2103.00809,
title = {Over-sampling De-occlusion Attention Network for Prohibited Items Detection in Noisy X-ray Images},
author = {Renshuai Tao and Yanlu Wei and Hainan Li and Aishan Liu and Yifu Ding and Haotong Qin and Xianglong Liu},
journal= {arXiv preprint arXiv:2103.00809},
year = {2021}
}
备注
13 pages, 7 figures