文献

J-GLOBAL ID：202002275133900038   整理番号：20A0908499

X線セキュリティ画像内の脅威物体検出と分類のための畳込みニューラルネットワークの伝達可能性と敵対的識別の評価【JST・京大機械翻訳】

Evaluating the Transferability and Adversarial Discrimination of Convolutional Neural Networks for Threat Object Detection and Classification within X-Ray Security Imagery

著者 (4件)： Gaus Yona Falinie A. (Durham University) ,  Bhowmik Neelanjan (Durham University) ,  Akcay Samet (Durham University) ,  Breckon Toby (Durham University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICMLA  ページ： 420-425  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： X線画像セキュリティスクリーニングは,脅威または禁止されたアイテムの変化するプロファイルに対する輸送セキュリティを維持するために不可欠である。特に興味深いことは,複雑でクラッタされたX線セキュリティ画像の中で,火道やナイフのような兵器の自動検出と分類にある。ここでは,様々なエンドツーエンドオブジェクト検出畳込みニューラルネットワーク(CNN)アーキテクチャを探索することにより,この問題に取り組んだ。異なる画像幾何学,画像分解能および材料色プロファイルを有する様々なX線スキャナ間のそのようなモデルの移動性を調べるために,FastR-CNN,Mask R-CNNおよびRetinaNetアーキテクチャにわたるいくつかの主要なバリアントを評価した。X線脅威画像の限られた利用可能性は挑戦を引き起こすことができるが,著者らは,そのようなインタースキャナの一般化が複数のクラス検出問題の上に存在するかどうかを評価するために,伝達学習アプローチを採用した。全体として,著者らは,RresNet101分類ネットワークによるFastR-CNNアーキテクチャを用いて最大検出性能を達成し,変化するX線画像源からの3クラスと2クラスのアイテムに対して0.88と0.86の平均値精度(mAP)を得た。これらの結果は,クロススキャナ性能(mAP:0.87,ファイアウアーム検出:0.94AP)に関して顕著な一般化可能性を示した。さらに,5%という低い可変低偽陽性を持つファイアウアーム検出のための特別に生成した敵データセットを用いて,そのようなネットワークの固有の敵識別能力を調べた。これは,X線セキュリティ画像内のそのような脅威検出の挑戦と有望性を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 幾何学 ,  学習 ,  *ネットワーク ,  走査装置 ,  エンドツーエンド方式 ,  兵器 ,  クラッタ ,  X線画像 ,  計算機アーキテクチャ ,  セキュリティ
準シソーラス用語： 自動検出 ,  誤検出 ,  *物体検出 ,  検出能 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (5件)： 符号理論  (ND02030R) ,  図形・画像処理一般  (JE04010I) ,  専用演算制御装置  (JC04030Y) ,  パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (10件)： X線 ,  セキュリティ ,  脅威 ,  物体検出 ,  分類 ,  畳込みニューラルネットワーク ,  可能性 ,  敵対 ,  識別 ,  評価