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

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

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

从 RGB 图像进行自动视觉火器分类是一个重要的实际任务，应用于公共空间安全、情报收集和执法调查；本文评估了使用深度神经网络、卷积神经网络和自监督学习方法进行图像分类的效果，并未使用视觉变换网络架构进行评估。

Oct, 2023

最近在图像数据处理方面的研究进展表明，通过机器学习，尤其是深度神经网络（DNNs）的使用，可以通过数据驱动的人工智能为辐射探测器和成像设备提供新的优化和性能增强方案。我们概述了光子源的数据生成、基于深度学习的图像处理方法以及深度学习加速的硬件解决方案。目前大多数现有的深度学习方法是离线训练的，通常需要大量的计算资源。然而，一旦训练完成，DNNs 可以实现快速推理速度，并且可以部署到边缘设备上。边缘计算是一种新趋势，它具有较低的能量消耗（数百瓦或更少）和实时分析能力。虽然以往通常用于边缘计算的基于电子的硬件加速器（从中央处理器（CPU）到应用特定集成电路（ASICs）的通用目的处理器）正不断接近性能极限，在延迟、能量消耗和其他物理约束方面存在限制。这些限制催生了下一代模拟神经形态硬件平台，如光学神经网络（ONNs），用于高并行、低延迟和低能量计算，以提高深度学习加速。

Nov, 2023

由于对有效安全措施的需求增加以及摄像头在商业产品中的集成，今天产生了大量的视觉数据。执法机构正在检查图像和视频，以查找激进化、恐怖组织的宣传和暗网市场上的非法产品。本文通过深度卷积神经网络（CNN）的视觉概念检测来理解图像内容，并提出了五个贡献，包括图像的地理定位、细粒度概念分析、人员属性识别、基于主动学习的直观图像注释工具和查询扩展。

May, 2024

本研究提出了一种神经网络模型，能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头，其中骨干网络基于 YOLOv5 结构，结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性，同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行，结果表明，与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比，本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明，本模型实现了实时计算，并具有超过 90% 的稳定性率。

Feb, 2024

许多设备无法部署，普通对象的预训练数据集，以及潜在的偏见问题限制了大型预训练深度神经网络用于工业应用。本研究从太阳能电池片制造商的真实案例出发，构建了一个从零开始训练的神经网络，其参数更少、不依赖于第三方数据集，但性能与预训练深度神经网络相似。

Jan, 2022

本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

Oct, 2015

本文应用正式的概率分析技术对一种通过感知深度神经网络（DNN）引导飞机滑行的实验自主系统进行了案例研究，通过使用代表性图像数据集计算 DNN 的混淆矩阵来替换摄像机和网络，构建紧凑的概率抽象，以解决感知 DNN、传感器和环境条件的复杂性所带来的挑战，并展示了如何利用本地、DNN 特定的分析作为运行时保护，以提高整个系统的安全性。

Feb, 2023