論文の概要: PIDray: A Large-scale X-ray Benchmark for Real-World Prohibited Item Detection

• arxiv url: http://arxiv.org/abs/2211.10763v1
• Date: Sat, 19 Nov 2022 18:31:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 20:06:03.339802
• Title: PIDray: A Large-scale X-ray Benchmark for Real-World Prohibited Item Detection
• Title（参考訳）: PIDray: リアルタイム禁止項目検出のための大規模X線ベンチマーク
• Authors: Libo Zhang, Lutao Jiang, Ruyi Ji, Heng Fan
• Abstract要約: PIDrayという名前の大規模データセットを提示し、実世界の様々なケースを対象とし、アイテム検出を禁止している。 具体的には、PIDrayは禁止アイテムの12ドルのカテゴリに対して124,486枚のX線画像を収集する。 そこで本研究では,PIDrayに基づくベースラインアルゴリズムを開発するために,汎用的な分割・コンカレントパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 21.055813365091662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic security inspection relying on computer vision technology is a challenging task in real-world scenarios due to many factors, such as intra-class variance, class imbalance, and occlusion. Most previous methods rarely touch the cases where the prohibited items are deliberately hidden in messy objects because of the scarcity of large-scale datasets, hindering their applications. To address this issue and facilitate related research, we present a large-scale dataset, named PIDray, which covers various cases in real-world scenarios for prohibited item detection, especially for deliberately hidden items. In specific, PIDray collects 124,486 X-ray images for $12$ categories of prohibited items, and each image is manually annotated with careful inspection, which makes it, to our best knowledge, to largest prohibited items detection dataset to date. Meanwhile, we propose a general divide-and-conquer pipeline to develop baseline algorithms on PIDray. Specifically, we adopt the tree-like structure to suppress the influence of the long-tailed issue in the PIDray dataset, where the first course-grained node is tasked with the binary classification to alleviate the influence of head category, while the subsequent fine-grained node is dedicated to the specific tasks of the tail categories. Based on this simple yet effective scheme, we offer strong task-specific baselines across object detection, instance segmentation, and multi-label classification tasks and verify the generalization ability on common datasets (e.g., COCO and PASCAL VOC). Extensive experiments on PIDray demonstrate that the proposed method performs favorably against current state-of-the-art methods, especially for deliberately hidden items. Our benchmark and codes will be released at https://github.com/lutao2021/PIDray.
• Abstract（参考訳）: コンピュータビジョン技術に依存する自動セキュリティ検査は、クラス内分散、クラス不均衡、オクルージョンなど多くの要因により、現実のシナリオでは難しい課題である。 以前のほとんどの方法は、大規模なデータセットの不足のため、禁止されたアイテムが故意に乱雑なオブジェクトに隠れているケースにほとんど触れず、アプリケーションを妨げる。 この問題に対処し,関連する研究を促進するために,特に故意に隠蔽された項目を検出するために,現実のシナリオにおいて様々なケースをカバーする大規模データセットであるPIDrayを提案する。 具体的には、pidrayは124,486枚のx線画像を禁止アイテムのカテゴリで集め、各画像に注意深い検査を施す。 一方,pidray上のベースラインアルゴリズムを開発するために,一般的な分割・分割パイプラインを提案する。 具体的には,PIDrayデータセットにおける長い尾の課題の影響を抑えるために,木のような構造を採用し,第1のコース粒度ノードを二分分類してヘッドカテゴリの影響を緩和し,続く細粒度ノードをテールカテゴリの特定のタスクに限定する。 この単純で効果的なスキームに基づいて、オブジェクト検出、インスタンスセグメンテーション、マルチラベル分類タスクにまたがる強力なタスク固有のベースラインを提供し、共通のデータセット(例えばcocoとpascal voc)の一般化能力を検証する。 PIDrayの広汎な実験により,提案手法は現在の最先端手法,特に故意に隠された項目に対して好適に動作することが示された。 ベンチマークとコードはhttps://github.com/lutao2021/pidrayでリリースします。

関連論文リスト

• AO-DETR: Anti-Overlapping DETR for X-Ray Prohibited Items Detection [6.603436370737025]
  本稿では,最先端の汎用物体検出器であるDINOをベースとした抗オーバーラップ型DETR(AO-DETR)を提案する。 重なり合う現象に起因する特徴結合問題に対処するために,カテゴリー特化ワン・ツー・ワン・アサインメント(CSA)戦略を導入する。 重複現象によるエッジのぼかし問題に対処するため,Look Forwardlyスキームを提案する。
  論文  参考訳（メタデータ） (2024-03-07T08:30:17Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Illicit item detection in X-ray images for security applications [7.519872646378835]
  X線画像におけるコントラバンドアイテムの自動検出は、公共の安全を著しく向上させる。 ディープニューラルネットワーク(DNN)に依存する現代のコンピュータビジョンアルゴリズムは、このタスクを遂行できることを証明している。 本稿では,X線解析領域におけるそのようなアルゴリズムの2倍の改良を提案する。
  論文  参考訳（メタデータ） (2023-05-03T07:28:05Z)
• Towards Real-world X-ray Security Inspection: A High-Quality Benchmark and Lateral Inhibition Module for Prohibited Items Detection [37.66855218659698]
  まず,8つのカテゴリの102,928個の共通禁止項目を含む,高品質なX線(HiXray)セキュリティ検査画像データセットを提案する。 正確な禁止項目検出のために,不適切な情報を無視することで,人間がこれらの項目を認識するという事実に触発された横方向抑制モジュール(LIM)を提案する。
  論文  参考訳（メタデータ） (2021-08-23T03:59:23Z)
• Towards Real-World Prohibited Item Detection: A Large-Scale X-ray Benchmark [53.9819155669618]
  本稿では,PIDrayと命名された大規模データセットについて述べる。 大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。 提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
  論文  参考訳（メタデータ） (2021-08-16T11:14:16Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Occluded Prohibited Items Detection: an X-ray Security Inspection Benchmark and De-occlusion Attention Module [50.75589128518707]
  我々はOPIXrayというセキュリティ検査のための最初の高品質なオブジェクト検出データセットをコントリビュートする。 OPIXrayは、空港のプロの検査官が手動で注記した「カッター」に焦点をあてた。 本稿では,プラグイン・アンド・プレイモジュールであるデオクルージョン・アテンション・モジュール(DOAM)を提案する。
  論文  参考訳（メタデータ） (2020-04-18T16:10:55Z)

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。