К обнаружению запрещённых предметов в реальных условиях: крупномасштабный рентгеновский бенчмарк

Автоматизированный досмотр с использованием технологий компьютерного зрения представляет собой сложную задачу в реальных условиях из-за различных факторов, включая внутриклассовую вариативность, дисбаланс классов и окклюзию. Большинство существующих методов редко решают задачи обнаружения запрещённых предметов, намеренно скрытых среди беспорядочно расположенных объектов, что связано с отсутствием крупномасштабных наборов данных и ограничивает применение этих методов в реальных условиях. Для обнаружения запрещённых предметов в реальных условиях мы собрали крупномасштабный набор данных PIDray, охватывающий различные реальные сценарии обнаружения запрещённых предметов, особенно случаи с намеренно скрытыми предметами. В результате значительного объёма проделанной работы наш набор данных включает 12 категорий запрещённых предметов на 47 677 рентгеновских изображениях с высококачественными аннотированными масками сегментации и ограничивающими рамками. Насколько нам известно, это крупнейший на сегодняшний день набор данных для обнаружения запрещённых предметов. Кроме того, мы разработали сеть избирательного плотного внимания (SDANet) в качестве сильного базового метода, состоящую из модуля плотного внимания и модуля уточнения зависимостей. Модуль плотного внимания, сформированный на основе пространственного и поканального плотного внимания, предназначен для обучения дискриминативных признаков и повышения производительности. Модуль уточнения зависимостей используется для выявления зависимостей между многоуровневыми признаками. Масштабные эксперименты, проведённые на собранном наборе данных PIDray, показывают, что предложенный метод превосходит современные методы, особенно при обнаружении намеренно скрытых предметов.