在使用深度学习的盒子外图像中自动检测感兴趣的区域
Marie-Eve Le Bouthillier1,2, Lynne Hrynkiw1,2, Alain Beauchamp2
1École de technologie supérieure, ÉTS, Montréal, Québec, Canada.
Journal of forensic sciences
|July 12, 2023
概括
本研究介绍了一种使用U-Net细分模型的深度学习方法,用于自动定位弹盒图像中的关键区域,用于枪支识别. 自动化方法实现了高准确度,改善了法医分析.
科学领域:
- 法医科学 法医科学 法医科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在法医科学中,准确识别枪支证据至关重要.
- 手动或算法将感兴趣区域 (ROI) 放置在弹药盒图像中,会显著影响枪支识别的准确性.
- 需要用于ROI定位的自动化方法来增强计算机化枪支识别系统.
研究的目的:
- 开发和优化基于深度学习的U-Net细分模型,用于在盒子外图像中自动定位圆形分界符.
- 为了准确地识别感兴趣的区域 (ROI) 尾面和发射针印记.
- 提高自动化枪支识别系统的性能和效率.
主要方法:
- 利用来自各种9MM枪支的1195个弹盖样本的高分辨率2D图像.
- 在增强数据集上训练U-Net细分模型,自动识别ROI.
- 通过交叉与联盟 (IoU) 和子系数 (DC) 度量来评估模型性能.
主要成果:
- 实现了高性能95.6%的IOU和99.3%的直流用于部面部图像,和95.9%的IOU和99.5%的直流用于发射针图像.
- 证明该模型准确地对自然ROI形状进行细分,优于依赖完美的循环近似的方法.
- 报道的低损失值分别为0.014和0.011的尾面和发射针ROI.
结论:
- 开发的深度学习方法提供了一种准确和自动化的方法,用于在盒子外图像中定位关键区域.
- 这种方法有可能显著提高自动化枪支识别的可靠性和效率.
- 未来的工作可能涉及使用这些预测来评估数据库样本的质量或直接确定ROI.
