Detección de objetos peligrosos en radiografías utilizando múltiples
Transcript of Detección de objetos peligrosos en radiografías utilizando múltiples
Detección de objetos peligrosos en radiografías utilizando
múltiples vistas
5 / Septiembre / 2014Marco Antonio Arias Figueroa
Profesor Supervisor: Domingo Mery
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
Problemas generales
• La revisión de equipajes actualmente se realiza manualmente
• Durante las horas punta, el porcentaje de acierto de los operadores baja a un 90% o incluso 80%
• El estrés de los trabajadores influye directamente en los resultados de la revisión de equipaje
• ¿Por qué no aprovechar la tecnología para resolver este tipo de problemas?
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
Visión por Computador e Inteligencia de Máquina
• Visión por Computador– SIFT, líneas epipolares, múltiples vistas, etc.
• Descriptores– LBP, Escala de grises, FFT, etc.
• Clasificadores– SVM, Random Forest, etc.
Diccionarios Visuales
• Se realiza clustering a los descriptores encontrados
• Se buscan representantes
• Se aproximan todos los descriptores al representante más cercano
Sparse Representation
• Comparación de la representación obtenida con respecto a la real:
• Residuo de reconstrucción:
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
¿Es posible automatizar el proceso de detección de objetos peligrosos en
aeropuertos, con el fin de evitar errores que pueden llevar a consecuencias
fatales?
• Más técnicamente:
¿Es posible utilizar algoritmos de visión por computador e inteligencia de máquina para crear
un sistema autónomo de detección de objetos peligrosos?
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
Solución propuesta(Training)
SIFT + Matching
DescriptoresLBP
Doble k-means
Diccionario con los clusters padres e
hijos
Solución propuesta(Testing)
Diccionario
Patch Elección de representantes
Sparse Representation
Clasificación por mayoría de
votos
¿Por qué SR y Diccionarios?
• Se logra una buena representación de los objetos
• Robusto ante oclusión
• Algoritmo SR ya implementado y relativamente sencillo de manejar
Diccionario previoSet de
entrenamiento
Diccionario con todas las
clases
Obtención de Patches
Obtención de patches
representativosDescriptor
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
Limitaciones
• Se requieren directamente las imágenes de las vistas.– No es posible reconocer el área de interés
previamente
• No existe mucho estudio de reconocimiento de objetos en rayos X
• El tiempo de entrenamiento es muy largo (~1 día para un set mediano de imágenes)
Contenido
1. Motivación2. Marco Teórico3. Pregunta de Investigación4. Solución propuesta5. Limitaciones6. Estado de la investigación
Trabajo Futuro
• Agregar al código el match de los SIFT
• Implementar el código del doble diccionario y ver resultados– Si el resultado no mejora, buscar otra ayuda a
mejorar la detección de la posición