面向行李威胁识别的无监督异常实例分割
计算机视觉与模式识别
2021-07-20 v2 图像与视频处理
摘要
识别藏匿于行李中的潜在威胁是安保人员首要关注的问题。许多研究者已开发可从 X 射线扫描中检测行李威胁的框架。然而，据我们所知，所有这些框架都需要在大规模且标注良好的数据集上进行大量训练，而这类数据在现实世界中难以获取。本文提出一种新颖的无监督异常实例分割框架，将 X 射线扫描中的行李威胁作为异常进行识别，无需任何真值标签。此外，得益于其风格化能力，该框架仅训练一次，在推理阶段即可检测并提取违禁品，而与其扫描仪规格无关。我们的一步法最初通过编码器-解码器网络并利用所提出的风格化损失函数学习重建正常行李内容。随后，模型通过分析原始扫描与重建扫描之间的差异来识别异常区域。异常区域随后被聚类并后处理以拟合边界框实现定位。此外，可将一个可选分类器附加至所提框架以识别这些提取异常的种类。在四个公开行李 X 射线数据集上的详尽评估（无任何重训练）表明，与常规全监督方法相比，其取得了具竞争力的性能（即在 SIXray 上平均精度均值 0.7941、GDXray 上 0.8591、OPIXray 上 0.7483、COMPASS-XP 数据集上 0.5439），同时在 F1 分数上分别超越最先进的半监督与无监督行李威胁检测框架 67.37%、32.32%、47.19% 与 45.81%（跨 SIXray、GDXray、OPIXray 与 COMPASS-XP 数据集）。
引用
@article{arxiv.2107.07333,
title = {Unsupervised Anomaly Instance Segmentation for Baggage Threat Recognition},
author = {Taimur Hassan and Samet Akcay and Mohammed Bennamoun and Salman Khan and Naoufel Werghi},
journal= {arXiv preprint arXiv:2107.07333},
year = {2021}
}
备注
Accepted in J-AIHC, Source Code is available at https://github.com/taimurhassan/anomaly