Explainable and Uncertainty Aware Deep Learning for Concealed Prohibited Item Detection in Nonintrusive X-ray Inspection
Cet article présente CAU-XInspect, un cadre d'apprentissage profond explicable et sensible à l'incertitude basé sur YOLO26 qui améliore considérablement la détection d'objets prohibés dissimulés dans les images de rayons X grâce à un nouveau module d'amélioration des caractéristiques axé sur la dissimulation, atteignant une performance robuste sur le benchmark PIDray tout en soulignant la nécessité d'une adaptation au domaine supplémentaire avant un déploiement en conditions réelles.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le contrôle de sécurité dans les aéroports et les gares repose sur une technologie discrète mais à enjeux élevés : la machine à rayons X. Lorsqu'un sac passe dans le scanner, la machine ne prend pas une photographie au sens traditionnel du terme. Au lieu de cela, elle envoie des faisceaux d'énergie à travers le bagage, créant une image plate où différents matériaux absorbent le rayonnement à des degrés divers. Les métaux denses apparaissent sombres, les plastiques semblent plus clairs et les matières organiques prennent une teinte distincte. Les opérateurs humains sont formés pour interpréter ces formes fantomatiques et superposées, cherchant la silhouette d'un pistolet, d'un couteau ou d'une arme cachée dans un enchevêtrement de vêtements et d'appareils électroniques. Cependant, cette tâche est incroyablement difficile. Les sacs sont souvent très compacts, ce qui fait que les objets s'obscurcissent les uns les autres. Un objet interdit peut être délibérément enfoui sous des couches d'effets personnels anodins, ou il peut être si petit et ténu qu'il se fond dans le désordre environnant. Lorsqu'un humain manque une menace, la conséquence est une faille de sécurité ; lorsqu'il signale un article inoffensif, la conséquence est un retard pour le voyageur et un fardeau pour le système. Pendant des années, des chercheurs ont tenté de construire une intelligence artificielle pour aider à cela, en apprenant aux ordinateurs à reconnaître ces dangers cachés. Mais une machine qui est douée pour repérer un pistolet dans un sac clair et ouvert échoue souvent lorsque ce même pistolet est niché dans une valise encombrée.
Un chercheur de l'Université Cavendish en Ouganda, Paul Kategaya Kisozi, a développé une nouvelle approche à ce problème, créant un système conçu spécifiquement pour voir à travers la confusion d'un sac chargé. Le travail, intitulé CAU-XInspect, ne consiste pas seulement à rendre un ordinateur plus intelligent pour trouver des objets ; il s'agit d'apprendre à l'ordinateur à comprendre pourquoi il regarde quelque chose et à admettre quand il est incertain. Le système a été construit à l'aide d'un moteur de détection moderne et puissant appelé YOLO26, qui sert de base à toute l'opération. À ce moteur, le chercheur a ajouté une couche d'intelligence spéciale appelée module « conscient de la dissimulation » (concealment-aware). Imaginez ce module comme un ensemble d'yeux supplémentaires qui ne regardent pas seulement un objet, mais regardent aussi les ombres autour de lui, le contraste entre l'objet et ses voisins, et le contexte plus large du contenu du sac. Si un couteau est partiellement caché par une chemise, ce module aide l'ordinateur à se concentrer sur les bords ténus de la lame qui restent visibles, plutôt que d'être distrait par le tissu qui la recouvre.
Le chercheur a testé ce système sur une vaste collection d'images de sécurité réelles contenant des milliers de sacs avec divers articles interdits comme des pistolets, des couteaux et des outils. Le test était rigoureux, divisant les images en trois catégories : des cas faciles où les objets étaient clairement visibles, des cas difficiles où les objets étaient encombrés, et des cas « cachés » où les objets étaient délibérément dissimulés. Les résultats ont montré que le nouveau système était nettement meilleur pour trouver les objets cachés que la version standard de la technologie. Sur l'ensemble d'images le plus difficile, où le système standard n'a trouvé qu'environ 35 % des menaces cachées, le nouveau système en a trouvé près de 49 %. C'est une amélioration substantielle dans un domaine où manquer ne serait-ce qu'un seul article constitue un échec. Le système est également devenu meilleur pour expliquer ses propres décisions. Au lieu de simplement dessiner un cadre autour d'un objet détecté, le nouveau modèle pouvait mettre en évidence les pixels spécifiques qui ont conduit à sa conclusion, et les chercheurs pouvaient mesurer à quel point ces mises en évidence correspondaient à la forme réelle de l'objet caché. Le système s'est avéré très fiable, ce qui signifie que lorsqu'il affirmait être confiant quant à une détection, il avait généralement raison.
Cependant, l'étude a également révélé une limitation significative qui empêche cette technologie d'être utilisée dans les aéroports dès demain. Lorsque le chercheur a testé le système sur un ensemble d'images complètement différent provenant d'un autre scanner, qu'il n'avait jamais vu lors de l'entraînement, les performances se sont effondrées. Le système, qui était si efficace sur son ensemble de données domestiques, n'a pas réussi à reconnaître les mêmes types d'objets dans le nouvel environnement. Cela s'est produit parce que les images de différents scanners se ressemblent différemment ; elles ont des couleurs, des contrastes et des textures de fond différents, tout comme une photo prise avec un appareil photo diffère d'une autre, même pour la même scène. L'étude conclut que, bien que la nouvelle méthode soit une preuve de concept puissante montrant comment rendre les ordinateurs plus sensibles aux dangers cachés, elle n'est pas encore prête pour un déploiement dans le monde réel. Elle fonctionne bien dans un environnement contrôlé mais nécessite un développement supplémentaire pour gérer la variété désordonnée du monde réel. La recherche suggère que, pour l'avenir, les systèmes de sécurité devront non seulement être précis, mais aussi transparents quant à leur incertitude, permettant aux opérateurs humains d'intervenir lorsque la machine est incertaine, plutôt que de compter uniquement sur la machine pour prendre la décision finale.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.