Enhanced detonators detection in X-ray baggage inspection by image manipulation and deep convolutional neural networks
Notice bibliographique
Résumé
Detecting detonators is a challenging task because they can be easily mis-classified as being a harmless organic mass, especially in high baggage throughput scenarios. Of particular interest is the focus on automated security X-ray analysis for detonators detection. The complex security scenarios require increasingly advanced combinations of computer-assisted vision. We propose an extensive set of experiments to evaluate the ability of Convolutional Neural Network (CNN) models to detect detonators, when the quality of the input images has been altered through manipulation. We leverage recent advances in the field of wavelet transforms and established CNN architectures-as both of these can be used for object detection. Various methods of image manipulation are used and further, the performance of detection is evaluated. Both raw X-ray images and manipulated images with the Contrast Limited Adaptive Histogram Equalization (CLAHE), wavelet transform-based methods and the mixed CLAHE RGB-wavelet method were analyzed. The results showed that a significant number of operations, such as: edges enhancements, altered color information or different frequency components provided by wavelet transforms, can be used to differentiate between almost similar features. It was found that the wavelet-based CNN achieved the higher detection performance. Overall, this performance illustrates the potential for a combined use of the manipulation methods and deep CNNs for airport security applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».