EfficientPoseSegNet:一个弱监督的,以注意力为导向的框架,用于人类姿势估计,解剖细分和隐藏物体检测,用于背散毫米波安全查

科学领域:

• 计算机视觉和机器学习
• 运输科学与物流 运输科学与物流
• 安全和监控技术安全和监控技术

背景情况:

• 在毫米波图像中自动检测隐藏的物体,解剖关键点和人体部位对于机场安全至关重要.
• 由于图像质量差,注释有限以及隐私问题,现有系统面临挑战.
• 对实时安全查的高效,强大和符合隐私的解决方案的需求.

研究的目的:

• 开发EfficientPoseSegNet,这是一个混合深度学习框架,用于在安全查图像中高效地使用注释.
• 为了实现准确的隐藏物体检测,人类姿势估计和身体部位细分.
• 提高自动化安全查系统的可靠性和可扩展性.

主要方法:

• 利用并行EfficientNet和DenseNet的骨干来从低分辨率扫描中进行多尺度的特征提取.
• 整合了一个卷积块注意模块 (CBAM),以专注于关键的解剖区域并减少噪音.
• 使用软-argmax的空间热图来提取关键点,将身体细分为17个区域,以及在弱监督下进行强有力的训练的随机重量平均 (SWA).

主要成果:

• 在关键点检测 (99.79%),姿势估计 (99%) 和身体细分 (97% IoU) 中实现了高精度.
• 在隐藏物体检测方面表现强,平均异常检测AUC为0.94.4.
• 在TSA乘客查数据集上,EfficientPoseSegNet显示了测试损失和平均绝对误差的显著改善.

结论:

• EfficientPoseSegNet提供了一个可扩展的,符合隐私的解决方案,用于实时的人体姿势估计,身体部位细分和隐藏物体检测.
• 混合深度学习框架有效地解决了毫米波图像分析方面的挑战,以提高运输安全.
• 这种方法对快速发展的环境中安全查技术的进步做出了重大贡献.