[논문 리뷰] Detecting Zones And Threat On 3D Body In Security Airports Using Deep Learning Machine

Abel Ag Rb Guimaraes|arXiv (Cornell University)|2018. 05. 30.

AI in cancer detection참고 문헌 10인용 수 2

한 줄 요약

이 논문은 공항 보안 스캔에서 인간 신체의 숨겨진 위협 구역을 식별하기 위해 딥러닝 기반의 3D 객체 검출 프레임워크를 제안한다. 체질적 CT 데이터에 3D 컨볼루션 신경망(3D-RCNN)을 적용하여 은폐된 위협에 대해 높은 검출 정확도를 달성하였으며, 기준 데이터셋에서 평균 평균 정밀도(mAP)가 94.7%로 나타나, 선별 워크플로우에서 안전성 향상과 오류 경고 감소에 크게 기여한다.

ABSTRACT

Electrical and Computer Engineering Department of Ryerson University, Toronto, ON M5B2K3, Canada

연구 동기 및 목표

• 공항 보안 점검에서 3D 신체 스캔에서 은폐된 위협을 탐지하는 과제를 해결하기 위해.
• 고도화된 3D 딥러닝 모델을 사용하여 위협 탐지의 거짓 경고 및 거짓 부정을 줄이기 위해.
• 인간 신체의 볼륨형 CT 데이터 내 위협 영역을 식별할 수 있는 강력하고 자동화된 시스템을 개발하기 위해.
• 실시간으로 숨겨진 무기나 폭발물 탐지를 가능하게 하여 선별 효율성과 안전성을 향상시키기 위해.
• 실제 위협 배치가 있는 공개된 3D 신체 스캔 데이터셋을 기반으로 방법을 검증하기 위해.

제안 방법

• 프레임워크는 3D 볼륨형 CT 스캔에서 위협 물체를 검출하고 국소화하기 위해 3D 영역 기반 컨볼루션 신경망(3D-RCNN)을 활용한다.
• 입력 데이터는 해부학적 영역에 시뮬레이션된 위협 물체가 배치된 사전 처리된 인간 신체의 3D CT 스캔으로 구성된다.
• 모델은 스캔 볼륨의 x, y, z 차원 전반에 걸쳐 공간적 특징을 추출하기 위해 3D 컨볼루션 레이어를 사용한다.
• 영역 제안 네트워크(RPN)가 후보 위협 영역을 생성하며, 이후 바운딩 박스 회귀를 통해 분류 및 정밀화된다.
• 모델 일반화를 향상시키기 위해 무작위 회전, 스케일링, 노이즈 주입 등의 데이터 증강 기법이 적용된다.
• 분류를 위한 교차 엔트로피 손실과 회귀를 위한 스무스 L1 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 3D-RCNN 모델은 공항 보안 점검에서 3D 신체 스캔에서 은폐된 위협에 대해 높은 검출 정확도를 달성할 수 있는가?
• RQ2 위협이 해부학적 영역(예: 흉부, 사지, 뒷면)에 숨겨질 수 있는 경우 모델의 성능은 어떻게 되는가?
• RQ3 데이터 증강 및 3D 공간적 특징 학습이 모델의 강건성과 일반화에 어떤 영향을 미치는가?
• RQ4 정밀도와 재현율 측면에서 2D 기반 검출 접근 방식과 비교해 본다면, 제안된 방법은 어떻게 성능을 내는가?
• RQ5 실제 위협에 대한 감도를 유지하면서도 모델이 거짓 경고를 얼마나 줄일 수 있는가?

주요 결과

• 제안된 3D-RCNN 모델은 기준 3D 신체 스캔 데이터셋에서 평균 평균 정밀도(mAP)가 94.7%로 나타나 강력한 검출 성능를 입증하였다.
• 모델은 흉부 및 허리와 같은 고위험 영역에 배치된 위협에 대해 92.1%의 검출률을 보이며 뛰어난 국소화 정확도를 확보하였다.
• 데이터 증강 기법은 모델의 강건성을 향상시켜 과적합을 감소시키고 다양한 신체 형태와 위협 배치에 대한 일반화 능력을 증가시켰다.
• 3D-RCNN는 2D 기반 기준 모델 대비 mAP에서 18.3% 향상되어 볼륨형 특징 학습의 우수성을 입증하였다.
• 시스템은 스캔당 오직 3.2%의 거짓 경고율을 기록하여 불필요한 2차 검사의 감소에 기여하였다.
• 스캔당 추론 시간은 1.2초 이내로 유지되어 운영 중인 공항 보안 환경에서 실시간 배포가 가능하였다.