Oct, 2022

双能 X 射线安检图像异常检测中的联合子部件级别分割和分类

PDF
TL;DR使用深度卷积神经网络架构，引入联合物体子组件级分割和分类策略，对笼统的双能 X 射线图像数据集上的异常检测任务进行评估，该方法取得最高 99% 的真正例率和 5% 的假正例率。
x-ray baggage security screeninganomaly detectiondeep convolution neural networksub-component level segmentationconsumer electrical and electronics items
发现论文，激发创造
  • 使用深度学习进行 X 射线图像中非法物品的视觉检查

    自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

    Oct, 2023

  • 安全应用中 X 射线图像非法物品检测

    本文提出了一种改进的基于深度神经网络的自动化 X 射线图像检测方法，通过使用更高效的框和修改默认 NMS 算法实现更准确的物体检测，突显了大数据分析在提高公共安全方面的潜力。

    May, 2023

  • 利用深度神经网络进行高能物理中的喷注细分分类

    本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

    Mar, 2016

  • 利用人工智能方法进行疾病检测、治疗和规划的医学图像分析

    研究探讨了使用人工智能技术对 X 射线图像进行分割的框架，将数据进行预处理和清洗后，利用 SegNet 和 Residual Net 方法对 X 射线图像进行分割，实验结果表明，所提出的方法在所有已知的参数方面表现更好

    May, 2024

  • 基于 U-Net 架构的粉末 X 射线衍射图像分割

    通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。

    Oct, 2023

  • 朝向真实世界的禁止物品检测：一项大规模 X 光线基准

    使用计算机视觉技术进行自动安全检查是真实世界场景中的一项具有挑战性的任务，作者通过合成出一个大规模数据集 PIDray，采用选择性密集注意力网络 (SDANet) 进行目标检测，包括故意隐藏的物品，相比现有模型取得了更好的检测效果。

    Aug, 2021

  • 基于端到端模型的深度学习用于双能量计算机断层扫描材料分解

    该研究论文提出了一种名为 End-to-End Material Decomposition（E2E-DEcomp）的深度学习方法，可将 CT 投影数据直接转换为材料图像，无需基于能量的图像进行训练。该方法在 AAPM 光谱 CT 数据集上展示了其与现有监督深度学习网络相比的有效性。

    Jun, 2024

  • SIXray：一种用于重叠图像中发现禁止物品的大规模安全检查 X 射线基准

    介绍一个名为 SIXray 的大规模数据集以及处理该数据集中目标检测困难的方法 class-balanced hierarchical refinement（CHR），可以用于安全检查中的物品检测和定位。

    Jan, 2019

  • 深度学习中的降维在肺癌胸部 X 光分析中的应用

    使用深度学习方法分析胸部 X 射线 2D 图像，在排除异常值的基础上，评估了一些降维技术的有效性，包括肺分割、骨影排除和 t-SNE。通过对一系列处理过的数据集进行训练和验证，结果表明经过肺分割、骨影排除和 t-SNE 排除异常值处理后的数据集（数据集＃05）实现了最高的训练速度和最佳的准确性。

    Jan, 2018

  • 探索不同层次的监督方法用于遥感图像上太阳能电池板的检测与定位

    本研究探讨了遥感图像中的目标存在检测和定位问题，主要关注太阳能电池板的识别。我们评估了三种模型的不同监督水平，分别为完全监督的目标检测器、基于 CAM 的弱监督图像分类器与定位器以及最小监督异常检测器。分类器在二值目标存在检测方面表现出色（0.79 的 F1 得分），而目标检测器则提供了精确的定位（0.72 的得分）。异常检测器需要更多数据以获得可行的性能。模型结果的融合显示出潜在的准确度提升。CAM 对定位的影响有限，GradCAM、GradCAM++ 和 HiResCAM 得到了更好的结果。值得注意的是，与目标检测器相比，分类器在数据较少的情况下仍然表现出鲁棒性。

    Sep, 2023