Visual inspection for illicit items in X-ray images using Deep Learning

要約

X 線画像内の禁制品の自動検出は、生産性を向上させ、空港、地下鉄、税関/郵便局などの警備員の精神的負担を軽減することにより、公共の安全を大幅に向上させることができます。
ラッシュアワー中の小包などは、実質的にビッグデータの問題になります。
ディープ ニューラル ネットワーク (DNN) に依存する最新のコンピューター ビジョン アルゴリズムは、高速な単一ステージのオブジェクト検出器の場合など、リソースに制約があり、埋め込まれた実行シナリオの下でも、このタスクを実行できることが証明されています。
ただし、関連するさまざまな DNN コンポーネント/メソッドの比較実験評価は、共通の評価プロトコルに基づいて実行されていません。これは、信頼できるメソッド間の比較が欠けていることを意味します。
このペーパーでは、公開されている関連データセットと、評価対象となる特定の DNN コンポーネント/モジュールを選択するための明確に定義された方法論を利用した、まさにそのような比較評価について説明します。
この結果は、Transformer 検出器の優位性、セキュリティ アプリケーション向けに過去数年間に開発された補助ニューラル モジュールの時代遅れの性質、および CSP-DarkNet バックボーン CNN の効率性を示しています。

要約(オリジナル)

Automated detection of contraband items in X-ray images can significantly increase public safety, by enhancing the productivity and alleviating the mental load of security officers in airports, subways, customs/post offices, etc. The large volume and high throughput of passengers, mailed parcels, etc., during rush hours practically make it a Big Data problem. Modern computer vision algorithms relying on Deep Neural Networks (DNNs) have proven capable of undertaking this task even under resource-constrained and embedded execution scenarios, e.g., as is the case with fast, single-stage object detectors. However, no comparative experimental assessment of the various relevant DNN components/methods has been performed under a common evaluation protocol, which means that reliable cross-method comparisons are missing. This paper presents exactly such a comparative assessment, utilizing a public relevant dataset and a well-defined methodology for selecting the specific DNN components/modules that are being evaluated. The results indicate the superiority of Transformer detectors, the obsolete nature of auxiliary neural modules that have been developed in the past few years for security applications and the efficiency of the CSP-DarkNet backbone CNN.

arxiv情報

著者 Ioannis Mademlis,Georgios Batsis,Adamantia Anna Rebolledo Chrysochoou,Georgios Th. Papadopoulos
発行日 2023-10-05 16:35:27+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク