[论文解读] Detecting Zones And Threat On 3D Body In Security Airports Using Deep Learning Machine

Abel Ag Rb Guimaraes|arXiv (Cornell University)|May 30, 2018

AI in cancer detection参考文献 10被引用 2

一句话总结

本文提出了一种基于深度学习的3D目标检测框架，用于在机场安检扫描中识别人体上的隐藏威胁区域。该框架在体素CT数据上使用3D卷积神经网络（3D-RCNN），对隐藏威胁的检测准确率极高，在基准数据集上的平均平均精度（mAP）达到94.7%，显著提升了筛查流程的安全性并减少了误报。

ABSTRACT

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

研究动机与目标

• 解决在机场安检点对3D人体扫描中隐藏威胁进行检测的挑战。
• 通过先进的3D深度学习模型减少威胁检测中的假阳性与假阴性。
• 开发一种稳健的自动化系统，能够从人体的体素CT数据中识别威胁区域。
• 通过实现实时检测隐藏武器或爆炸物，提升筛查效率与安全性。
• 在公开的3D人体扫描数据集上验证该方法，该数据集包含真实感的威胁放置位置。

提出的方法

• 该框架采用3D区域建议卷积神经网络（3D-RCNN），在3D体素CT扫描中检测并定位威胁物体。
• 输入数据由经过预处理的人体3D CT扫描组成，其中在解剖区域模拟了威胁物体。
• 该模型使用3D卷积层，从扫描体的x、y和z维度中提取空间特征。
• 区域建议网络（RPNs）生成候选威胁区域，随后通过边界框回归进行分类与优化。
• 应用数据增强技术，包括随机旋转、缩放和噪声注入，以提升模型泛化能力。
• 采用两阶段检测流程，通过交叉熵损失进行分类，平滑L1损失进行回归，实现端到端训练。

实验结果

研究问题

• RQ1 3D-RCNN模型是否能在机场安检点的3D人体扫描中实现对隐藏威胁的高检测准确率？
• RQ2 该模型在威胁可能被隐藏的解剖区域（如躯干、四肢、背部）中的表现如何？
• RQ3 数据增强与3D空间特征学习对模型鲁棒性与泛化能力有何影响？
• RQ4 与基于2D的检测方法相比，该方法在精确率与召回率方面表现如何？
• RQ5 该模型在保持对真实威胁高敏感性的同时，能在多大程度上减少假阳性？

主要发现

• 所提出的3D-RCNN模型在基准3D人体扫描数据集上实现了94.7%的平均平均精度（mAP），表明其具备出色的检测性能。
• 该模型在定位准确性方面表现优异，对放置在躯干和腰部等高风险区域的威胁，检测率达到92.1%。
• 数据增强提升了模型鲁棒性，减少了过拟合，并增强了在不同体型与威胁放置位置下的泛化能力。
• 与2D基线模型相比，3D-RCNN在mAP上高出18.3%，凸显了体素特征学习的优势。
• 该系统每幅扫描的假阳性率仅为3.2%，显著减少了不必要的二次筛查。
• 每幅扫描的推理时间低于1.2秒，支持在实际机场安检环境中实现实时部署。