論文の概要: On the Evaluation of Prohibited Item Classification and Detection in
Volumetric 3D Computed Tomography Baggage Security Screening Imagery
- arxiv url: http://arxiv.org/abs/2003.12625v1
- Date: Fri, 27 Mar 2020 20:17:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:45:26.204300
- Title: On the Evaluation of Prohibited Item Classification and Detection in
Volumetric 3D Computed Tomography Baggage Security Screening Imagery
- Title（参考訳）: 容積3次元ct手荷物検診画像における禁止項目の分類と検出について
- Authors: Qian Wang, Neelanjan Bhowmik, Toby P. Breckon
- Abstract要約: 我々は,2次元X線画像からボリューム3次元CTバッグセキュリティスクリーニング画像への自動禁止項目検出の可能性を評価する。
我々は3D Convolutional Neural Neworks(CNN)とRetinaNetやFaster R-CNNといった一般的なオブジェクト検出フレームワークを活用しています。
- 参考スコア（独自算出の注目度）: 19.62794187456967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: X-ray Computed Tomography (CT) based 3D imaging is widely used in airports
for aviation security screening whilst prior work on prohibited item detection
focuses primarily on 2D X-ray imagery. In this paper, we aim to evaluate the
possibility of extending the automatic prohibited item detection from 2D X-ray
imagery to volumetric 3D CT baggage security screening imagery. To these ends,
we take advantage of 3D Convolutional Neural Neworks (CNN) and popular object
detection frameworks such as RetinaNet and Faster R-CNN in our work. As the
first attempt to use 3D CNN for volumetric 3D CT baggage security screening, we
first evaluate different CNN architectures on the classification of isolated
prohibited item volumes and compare against traditional methods which use
hand-crafted features. Subsequently, we evaluate object detection performance
of different architectures on volumetric 3D CT baggage images. The results of
our experiments on Bottle and Handgun datasets demonstrate that 3D CNN models
can achieve comparable performance (98% true positive rate and 1.5% false
positive rate) to traditional methods but require significantly less time for
inference (0.014s per volume). Furthermore, the extended 3D object detection
models achieve promising performance in detecting prohibited items within
volumetric 3D CT baggage imagery with 76% mAP for bottles and 88% mAP for
handguns, which shows both the challenge and promise of such threat detection
within 3D CT X-ray security imagery.
- Abstract（参考訳）: x線ct(x-ray ct)ベースの3dイメージングは空港の航空防犯スクリーニングに広く使われているが、禁止項目検出の先行研究は主に2dx線画像に焦点をあてている。
本稿では,2次元x線画像から3次元ct手荷物検診画像への自動禁止項目検出の可能性を評価することを目的とする。
これらの目的のために、3D Convolutional Neural Neworks(CNN)と、RetinaNetやFaster R-CNNといった一般的なオブジェクト検出フレームワークを活用しています。
3次元CTバッグセキュリティスクリーニングに3D CNNを用いた最初の試みとして,分離禁止アイテムボリュームの分類に関する異なるCNNアーキテクチャを評価し,手作り特徴を用いた従来の手法と比較した。
その後,3次元ct手荷物画像上で異なるアーキテクチャの物体検出性能を評価する。
Bottle と Handgun のデータセットを用いた実験の結果,従来の手法と比較して3次元 CNN モデルでは同等の性能 (98% の正率, 1.5% の偽陽性率) が得られるが,推定に要する時間 (0.014秒/ボリューム) は極めて少ないことがわかった。
さらに, 拡張された3Dオブジェクト検出モデルにより, 3次元CT荷物画像内の禁止アイテムを, 76% mAP のボトルと88% mAP の拳銃で検出し, 3次元CT X線セキュリティ画像におけるこのような脅威検出の課題と可能性の両方を提示した。
関連論文リスト
- Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。
本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。
3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
論文 参考訳（メタデータ） (2024-04-10T03:54:53Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware
Robust Adversarial Training [64.14759275211115]
そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。
我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2023-09-03T07:05:32Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Contraband Materials Detection Within Volumetric 3D Computed Tomography
Baggage Security Screening Imagery [29.253322915780362]
材料シグネチャに基づく3次元コントラバンド物質検出にDeep Neural Networksを適用することを提案する。
まず,3D U-Netなどの3D CNNに基づくセマンティックセマンティックセグメンテーションアルゴリズムとその変種について検討する。
体積3次元CTデータの元の密度密度表現形式とは対照的に,CTボリュームをスパース点雲に変換することを提案する。
論文 参考訳（メタデータ） (2020-12-21T23:48:06Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Multi-Class 3D Object Detection Within Volumetric 3D Computed Tomography
Baggage Security Screening Imagery [19.62794187456967]
我々は、一つの統合されたフレームワークを用いて、複数の対象カテゴリの関心事を検出することを検討する。
3D RetinaNetと一連の好ましい戦略を組み合わせることで、5つのオブジェクトクラスの平均平均精度(mAP)は65.3%に達する。
論文 参考訳（メタデータ） (2020-08-03T21:54:14Z) - 3D Probabilistic Segmentation and Volumetry from 2D projection images [10.32519161805588]
X線撮影は迅速で安価で、最前線のケアアセスメントや術中リアルタイムイメージングに有用である。
プロジェクティブな情報損失に悩まされており、多くの診断バイオマーカーがベースとなっている重要な情報を欠いている。
本稿では,2次元画像モダリティから3次元容積像を再構成する確率的手法について検討する。
論文 参考訳（メタデータ） (2020-06-23T08:00:51Z) - Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。
VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。
そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
論文 参考訳（メタデータ） (2020-04-04T18:55:06Z) - A Reference Architecture for Plausible Threat Image Projection (TIP)
Within 3D X-ray Computed Tomography Volumes [19.62794187456967]
Threat Image Projection (TIP) は、X線セキュリティバッグスクリーニングシステムで使用される技術である。
TIPは、良質で現実的な方法で、良質なX線荷物画像に脅威オブジェクトシグネチャを重畳する。
我々は,3次元CT荷物画像内の現実的かつ確実な脅威オブジェクト挿入をターゲットとしたCTボリュームにおける3次元TIPのアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-15T18:25:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。