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
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
本研究通过综合评估 Vision Transformers 在 X 射线图像中的非法物品检测上的相关架构,包括 Transformer 和混合骨干,如 SWIN 和 NextViT,以及检测器,如 DINO 和 RT-DETR,结果表明 DINO Transformer 检测器在低数据情况下的显著准确性,YOLOv8 的出色实时性能以及混合的 NextViT 骨干的有效性。
Mar, 2024
安全检查是确保人民生命财产安全的第一道防线,智能安全检查是未来安全检查行业发展的必然趋势。针对 X 光图像检测过程中重叠检测对象、伪检测违禁品以及漏检的问题,提出了一种基于 YOLOv8s 的改进 X 光违禁品检测算法 CSS-YOLO。
Aug, 2023
本文提出一种名为 SG-Det 的模型,使用一种新颖的嵌入机制来联合利用检测框的语义和几何特征,从而在面对类内遮挡较多的场景时显著提高了检测召回率,特别适用于城市场景的汽车和行人检测,在 KITTI 和 CityPersons 数据集上展示了 SG-Det 模型的最优性能。
Dec, 2019
本文提出了一种 CNN 方法,名为 IoU-Net,以预测物体检测边界框的 IoU 值,使得模型具有定位置信度,进而提高非极大值抑制算法(NMS)的精度,在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。
Jul, 2018
通过端到端学习范式,提出了一种利用端盒和分数执行非极大值抑制的新型网络架构,适用于个人检测和一般物体类别(基于 COCO 数据集),能够提供更好的定位和遮挡处理。
May, 2017
通过利用机器学习和计算机视觉技术,这项研究提出了一种智能系统,通过非极大值抑制(NMS)集成模型以及 UNet 架构的分割技术,对铁路公路环境进行目标检测和火车驶近监测,从而提高公路铁路交叉口的安全性。
本文提出一种基于迭代方案的物体检测算法,通过在每次迭代中检测新的子集,然后将之前的检测结果传递到后续迭代以确保不会检测到同一对象,改进了现有的基于深度学习的物体检测算法,并在 CrowdHuman 和 WiderPerson 数据集上实现了最先进的性能。
May, 2020
通过结合领域知识和深度学习架构,我们演示了在少量数据的情况下可以获得类似的性能表现,我们的算法使用 23% 的数据就获得了和测试数据相似、多个盲数据集有显著更好的表现,其中选择基于知识的输入图像有显著的性能提升。
May, 2023