پژوهش
CRaFT-XDet برای تشخیص اشیای ممنوعه در تصاویر ایکس‌ری طراحی شد
پیش‌چاپی در arXiv چارچوبی مبتنی بر یادگیری بازنمایی‌های پایدار را معرفی می‌کند که هدفش کاهش اثر هم‌پوشانی اشیا و تفاوت میان اسکنرهاست؛ جزئیات چکیدهٔ در دسترس محدود است.
پژوهشگران در پیش‌چاپی با عنوان CRaFT-XDet روشی برای تشخیص اشیای ممنوعه در تصاویر ایکس‌ری بازرسی امنیتی معرفی کرده‌اند. به‌گفتهٔ چکیده، هم‌پوشانی شدید اشیا، تفاوت میان اسکنرها و هم‌بستگی‌های گمراه‌کننده‌ای که از ترکیب شلوغ بارها ناشی می‌شوند، دقت و تعمیم‌پذیری سامانه‌های موجود را محدود می‌کند؛ سامانه‌هایی که عمدتاً بر یادگیری از ظاهر اشیا تکیه دارند.
CRaFT-XDet تشخیص تهدید را مسئله‌ای برای یادگیری بازنمایی‌های پایدار در برابر تغییرات ناشی از تضعیف پرتو در شیوه‌های مختلف تصویربرداری صورت‌بندی می‌کند. نویسندگان همچنین از چارچوبی علّی با عنوان Scanner-Invariant Causal Detection و هدفی به نام Causal Invariance Regularisation یاد می‌کنند. چکیدهٔ ارائه‌شده پیش از توضیح کامل روش یا گزارش نتایج تجربی قطع می‌شود؛ بنابراین اطلاعات موجود برای ارزیابی عملکرد این چارچوب کافی نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده