Self-supervised Algorithms for Anomaly Detection on X-Rays

In this paper, we consider the problem of prohibited objects detection on X-Ray images obtained by personal inspection scanners. Such scanners are often used on objects that require increased security control. The available data has a number of problems, which are described and addressed in the text. In this paper we consider only self-supervised anomaly detection algorithms. We are using several architectures of autoencoders and comparing them with the state-of-the-art algorithm Patch SVDD, which could be designed and trained on our data from scratch. Unlike supervised learning algorithms, which are often used for such problems, these models do not require a large amount of labeled data for training.

В данной работе рассматривается проблема обнаружения запрещенных объектов на рентгеновских изображениях, полученных сканерами индивидуального досмотра. Такие сканеры часто используются на объектах, требующих повышенного контроля безопасности. Имеющиеся данные имеют ряд проблем, которые описаны и решены в тексте. В этой статье мы рассматриваем только алгоритмы обнаружения аномалий с самоконтролем. Мы используем несколько архитектур автоэнкодеров и сравниваем их с современным алгоритмом Patch SVDD, который можно спроектировать и обучить на наших данных с нуля. В отличие от алгоритмов обучения с учителем, которые часто используются для решения подобных задач, эти модели не требуют для обучения большого количества размеченных данных.

Authors
Publisher
Федеральное государственное учреждение "Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук"
Number of issue
33
Language
English
Pages
557-564
Status
Published
Year
2023
Organizations
  • 1 Peoples' Friendship University of Russia
  • 2 Institute for Systems Analysis
Keywords
deep learning; Image Segmentation; anomaly detection; human X-Ray images; глубокое обучение; сегментация изображений; обнаружение аномалий; рентгеновские изображения человека
Date of creation
28.12.2023
Date of change
28.12.2023
Short link
https://repository.rudn.ru/en/records/article/record/105671/
Share

Other records