論文の概要: Enhancing Prohibited Item Detection through X-ray-Specific Augmentation and Contextual Feature Integration

• arxiv url: http://arxiv.org/abs/2411.18078v2
• Date: Tue, 11 Mar 2025 06:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:16:48.369512
• Title: Enhancing Prohibited Item Detection through X-ray-Specific Augmentation and Contextual Feature Integration
• Title（参考訳）: X線強調と文脈特徴統合による禁止項目検出の強化
• Authors: Renshuai Tao, Haoyu Wang, Wei Wang, Yunchao Wei, Yao Zhao,
• Abstract要約: X線は、長い尾の分布とX線イメージングの特徴のために、アイテム検出が禁止されている。 コピーペーストやミックスアップのような従来のデータ拡張戦略は、まれなアイテムの検出を改善するのに効果がない。 これらの課題に対処するために,X-ray Imaging-driven Detection Network (XIDNet)を提案する。
• 参考スコア（独自算出の注目度）: 81.11400642272976
• License:
• Abstract: X-ray prohibited item detection faces challenges due to the long-tail distribution and unique characteristics of X-ray imaging. Traditional data augmentation strategies, such as copy-paste and mixup, are ineffective at improving the detection of rare items due to the complex interactions between overlapping objects. Furthermore, X-ray imaging removes easily distinguishable features like color and texture, making it difficult to differentiate between visually similar categories. To address these challenges, in this work, we propose the X-ray Imaging-driven Detection Network (XIDNet). Inspired by the unique characteristics of X-ray imaging, this network introduces two key innovations: a novel X-ray-specific augmentation strategy that generates more realistic training samples for rare items, thereby improving detection performance for categories with insufficient samples, and an contextual feature integration algorithm that captures the spatial and semantic interactions between objects and surroundings under X-ray imaging, enhancing the model's ability to distinguish between similar categories. Extensive experimental results show that XIDNet effectively leverages X-ray imaging characteristics to significantly improve detection performance, outperforming popular SoTA methods by up to 17.2% in tail categories.
• Abstract（参考訳）: X線は、長い尾の分布とX線イメージングの特徴のために、アイテム検出が禁止されている。 コピーペーストやミックスアップのような従来のデータ拡張戦略は、重複するオブジェクト間の複雑な相互作用のため、まれなアイテムの検出を改善するのに効果がない。 さらに、X線画像は色やテクスチャなどの識別しやすい特徴を取り除き、視覚的に類似したカテゴリを区別することが困難になる。 そこで本研究では,X-ray Imaging-driven Detection Network (XIDNet)を提案する。 X線イメージングの特徴に触発されたこのネットワークは、希少な項目に対するより現実的なトレーニングサンプルを生成する新しいX線特異的拡張戦略と、X線イメージング下でのオブジェクトと周囲の空間的・意味的相互作用をキャプチャし、類似のカテゴリを識別するモデルの能力を向上するコンテキスト的特徴統合アルゴリズムという、2つの重要なイノベーションを導入している。 大規模な実験の結果、XIDNetはX線イメージング特性を効果的に活用し、検出性能を大幅に向上し、人気のSOTA法を最大17.2%向上させた。

関連論文リスト

• Dual-view X-ray Detection: Can AI Detect Prohibited Items from Dual-view X-ray Images like Humans? [78.26435264182763]
  大規模デュアルビューX線(LDXray)を導入し,12のカテゴリで353,646個のインスタンスで構成されている。 デュアルビュー検出におけるヒューマンインテリジェンスをエミュレートするために,補助ビュー拡張ネットワーク(AENet)を提案する。 LDXrayデータセットの実験では、デュアルビュー機構が検出性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-11-27T06:36:20Z)
• Model X-ray:Detecting Backdoored Models via Decision Boundary [62.675297418960355]
  バックドア攻撃はディープニューラルネットワーク(DNN)に重大な脆弱性をもたらす 図形化された2次元(2次元)決定境界の解析に基づく新しいバックドア検出手法であるモデルX線を提案する。 提案手法は,クリーンサンプルが支配する意思決定領域とラベル分布の集中度に着目した2つの戦略を含む。
  論文  参考訳（メタデータ） (2024-02-27T12:42:07Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• 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)
• Joint Sub-component Level Segmentation and Classification for Anomaly Detection within Dual-Energy X-Ray Security Imagery [14.785070524184649]
  この性能は、散在したX線バッグセキュリティ画像のデータセット上で評価される。 提案手法は, 異常検出タスクに対して, 99%の真正, 5%の偽正を達成できる。
  論文  参考訳（メタデータ） (2022-10-29T00:44:50Z)
• 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)
• Over-sampling De-occlusion Attention Network for Prohibited Items Detection in Noisy X-ray Images [35.35752470993847]
  セキュリティ検査は、スーツケースの個人持ち物のX線スキャンです。 一般的な画像認識データセットを通じてトレーニングされた従来のCNNベースのモデルは、このシナリオで十分なパフォーマンスを達成できない。 新規な脱閉塞注意モジュールと新しいオーバーサンプリングトレーニング戦略からなるオーバーサンプリング脱閉塞注意ネットワーク(DOAM-O)を提案する。
  論文  参考訳（メタデータ） (2021-03-01T07:17:37Z)
• 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。