用于行李威胁识别的无监督异常实例分割
识别行李中的武器和其他危险物品是确保公共安全的重要任务。这些项目的人工检测容易由于大的航空交通响亮或人员的经验有限而出错。已经为此任务创建了一些自动化框架;然而，它们中的大多数依赖于监督学习，并且需要大量的真实标签来确保稳健的性能。
最近在 arXiv.org 上的一项研究提出了一种新颖的无监督异常实例分割。它允许使用对正常行李 X 射线扫描的一次性培训来识别行李威胁。通过利用原始扫描和重建扫描的差异来识别威胁。
一种新颖的方案极大地消除了扫描仪的变化以实现高泛化性。对几个数据集的验证证实，所提出的框架优于其无监督和半监督的竞争对手。
识别隐藏在行李中的潜在威胁是安全人员最关心的问题。许多研究人员开发了可以通过 X 射线扫描检测行李威胁的框架。然而，据我们所知，所有这些框架都需要对大规模和注释良好的数据集进行广泛的培训，而这在现实世界中很难获得。本文提出了一种新颖的无监督异常实例分割框架，该框架将 X 射线扫描中的行李威胁识别为异常，而无需任何地面实况标签。此外，由于其风格化能力，该框架仅训练一次，并且在推理阶段，无论扫描仪规格如何，它都会检测和提取违禁品。我们的单阶段方法最初学习通过编码器-解码器网络利用建议的风格化损失函数重建正常行李内容。该模型随后通过分析原始扫描和重建扫描内的差异来识别异常区域。然后对异常区域进行聚类和后处理以适合其定位的边界框。此外，还可以附加一个可选的分类器与建议的框架，以识别这些提取的异常的类别。在四个公共行李 X 射线数据集上对提议的系统进行彻底评估，无需任何重新训练，表明与传统的完全监督方法相比，它实现了具有竞争力的性能(即，SIXray 上的平均精度得分为 0.7941，0.8591在 GDXray 上，在 OPIXray 上为 0.7483，
标签： 无监督异常实例分割