STING-BEE：面向现实世界 X-ray 行李安检的视觉-语言模型
计算机视觉与模式识别
2025-04-04 v1 图像与视频处理
摘要
计算机辅助筛查 (CAS) 系统的进步对于提高 X-ray 行李扫描中安全威胁的检测至关重要。然而，当前的数据集在代表现实世界中复杂威胁和隐蔽策略方面有限，现有方法受限于以预定义标签为中心的封闭集范式。为此，我们引入了 STCray，这是第一个多模态 X-ray 行李安全数据集，包含 46,642 组图像-标题配对扫描，覆盖 21 类威胁类别，由机场安检 X-ray 扫描仪生成。STCray 经过我们专门的协议精心开发，确保领域感知、连贯的标题，从而实现 X-ray 行李安全领域的多模态指令跟随数据。这使我们能够训练一个领域感知的视觉 AI 助手 STING-BEE，支持包括场景理解、指称威胁定位、视觉锚定和视觉问答 (VQA) 在内的一系列视觉-语言任务，为 X-ray 行李安全领域的多模态学习建立了新的基准。进一步，STING-BEE 在跨域设置中显示出领先的泛化能力。代码、数据和模型均已公开于 https://divs1159.github.io/STING-BEE/。
关键词
引用
@article{arxiv.2504.02823,
title = {STING-BEE: Towards Vision-Language Model for Real-World X-ray Baggage Security Inspection},
author = {Divya Velayudhan and Abdelfatah Ahmed and Mohamad Alansari and Neha Gour and Abderaouf Behouch and Taimur Hassan and Syed Talal Wasim and Nabil Maalej and Muzammal Naseer and Juergen Gall and Mohammed Bennamoun and Ernesto Damiani and Naoufel Werghi},
journal= {arXiv preprint arXiv:2504.02823},
year = {2025}
}
备注
Accepted at CVPR 2025