توصيفگر ها :
تشخيص ناهنجاري , شبكه مولد تخاصمي , يادگيري خودنظارتي , تصاوير اسكن اشعه ايكس كانتينري
چكيده فارسي :
با توسعه تجارت ميان كشورها و گسترش قاچاق نياز به كنترل و بازرسي مبادي ورودي هر منطقه مطرح مي‌شود. از جمله دستگاه‌‌هاي مورد استفاده در روند بازرسي، دستگاه بازرسي مبتني بر اشعه ايكس ميباشد. بازرسي بصري تصاوير اسكن اشعه ايكس محموله و تشخيص تصاوير داراي تهديد و قاچاق توسط اپراتورها كاري وقت گير و هزينه بر است. بنابراين تحقيقات در حوزه تجزيه و تحليل خودكار تصاوير اسكن اشعه ايكس گسترش يافته است. استفاده از الگوريتم‌هاي يادگيري ماشين مي‌تواند عملكرد تشخيص و سرعت پاسخ اپراتور را بهبود دهد. مشكل عمده اين الگوريتم‌ها نياز گسترده به تصاوير داراي تهديد براي آموزش شبكه‌ها است. در حالي كه چنين مجموعه داده‌هاي بزرگي به علت تنوع تصاوير داراي تهديد و ماهيت امنيتي موضوع به راحتي قابل دسترس نيستند. به همين دليل در اين پايان‌نامه يك روش تشخيص ناهنجاري بدون نظارت ارائه مي‌شود تا دسته‌اي از موارد قاچاق را به عنوان داده‌هاي ناهنجار به طور خودكار تشخيص بدهد. تشخيص ناهنجاري جزء مسائل كليدي در حوزه يادگيري ماشين و هوش مصنوعي محسوب مي‌شود كه در حوزه‌ها و كاربردهاي مختلف از جمله تشخيص تقلب در ماليات، تشخيص ناهنجاري در شبكه‌هاي كامپيوتري، تشخيص بيماري‌ها در پزشكي و ... اهميت دارد. هدف اصلي يك مسأله تشخيص ناهنجاري، تشخيص الگوها يا رفتارهاي نادر و ناخواسته در داده‌هاست كه به عنوان ناهنجاري يا انحراف شناخته مي‌شوند. اين ناهنجاري‌ها در بسياري از موارد نشانه‌هاي مهمي از وقوع مشكلات يا حوادث ناگوار است. به عنوان مثال، در حوزه مالي، تراكنش‌هاي مالي ناهنجار ممكن است نشانه تقلب يا كلاهبرداري باشد و در حوزه پزشكي، ناهنجاري‌ها ممكن است اشاره به وجود بيماري نادر يا خطرناك بكند. در اين دسته از مسائل مجموعه‌اي از داده‌ها به عنوان ورودي گرفته شده و توزيع آن‌ها تخمين زده مي‌شود تا بتوانيم داده‌هايي را كه از اين توزيع توليد نشده‌اند را تميز دهيم. بنابراين تشخيص ناهنجاري معمولاً يك مسأله يادگيري بدون نظارت در نظر گرفته مي‌شود. تأثير يادگيري بازنمايي بدون نظارت در مسائل چالش برانگيز تشخيص ناهنجاري در پژوهش‌هاي انجام شده اثبات شده است. در اين پايان‌نامه يك روش يادگيري بازنمايي مبتني بر شبكه خودرمزگذار تخاصمي و وصله چند مقياسي براي استخراج ويژگي‌هاي مهم از تصاوير عادي پيشنهاد مي‌شود. آموزش تخاصمي توانايي رمزگذار را براي يادگيري ويژگي‌هاي مناسب از تصاوير عادي افزايش مي‌دهد. همچنين، با در نظر گرفتن شباهت ويژگي‌هاي نسبي بين وصله‌ها با فواصل مختلف در يك تصوير مي‌توانيم به يادگيري بازنمايي بهتري دست يابيم. علاوه بر اين، از يك روش يادگيري خودنظارتي استفاده مي‌كنيم تا مدل روابط هندسي بهتري بين وصله‌هاي مجاور بياموزد. در مرحله استنتاج، از طريق وصله‌هاي لغزشي در مقياس‌هاي مختلف در سراسر يك تصوير، مدل ويژگي‌هاي نماينده را از هر وصله استخراج ميكند و آن‌ها را با موارد موجود در مجموعه آموزشي تصاوير عادي براي تشخيص مناطق غيرعادي مقايسه ميكند. نتايج بدست آمده بر روي تصاوير اشعه ايكس كانتينري نشان مي‌دهد روش پيشنهادي دقت بيشتري از ساير روش‌ها در تشخيص تصاوير داراي ناهنجاري از تصاوير عادي را دارد. همچنين اين روش امكان محلي‌سازي و بخش‌بندي ناهنجاري در تصاوير را فراهم كرده است.
چكيده انگليسي :
With the development of international trade and the proliferation of smuggling, controlling and inspecting entry points of each region becomes increasingly important. One of the devices used in the inspection process is the X-ray-based inspection machines. Visual inspection of cargo X-ray scanning images and detection of threat and smuggling images by operators is a time-consuming and costly task. Therefore, research in the field of automatic analysis of X-ray scan images has been expanded. Using machine learning algorithms can improve detection performance and response time. However, a significant challenge for these algorithms is the need for extensive datasets of threat images for training, which are not easily accessible due to the diversity of threat images and security concerns. Hence, this thesis proposes an unsupervised anomaly detection method to automatically identify some cases of smuggling as anomalous data. Anomaly detection is a key issue in the field of machine learning and artificial intelligence, with various applications such as fraud detection in finance, anomaly detection in computer networks, disease detection in medicine, etc. The main goal of anomaly detection is to identify rare and unexpected patterns or behaviors in data, known as anomalies or deviations. In many cases, these abnormalities are important signs of problems or unfortunate events. For example, in finance, anomalous financial transactions may indicate fraud or deception, and in the medical field, abnormalities may indicate the existence of a rare or dangerous disease. In this class of problems, a set of data is taken as input and their distribution is estimated so that we can distinguish the data that are not generated from this distribution. Therefore, anomaly detection is usually regarded as an unsupervised learning problem. Unsupervised representation learning has been proven to be effective for the challenging anomaly detection tasks. In this thesis, a representation learning method based on an adversarial auto-encoder network and multi-scale patch is proposed to extract critical information from normal images. Adversarial training increases the encoder's ability to learn representative features from normal images. Moreover, by taking the relative feature similarity between patches of different local distances into account, we can achieve better representation learning. Additionally, we use a self-supervised learning approach which allows our model to learn better geometric relationships between neighboring patches. In the inference stage, through sliding patches of different scales all over an image, the model extracts representative features from each patch and compares them with those in the training set of normal images to detect the anomalous regions. The results on cargo X-ray images demonstrate that the proposed method achieves higher accuracy in detecting abnormal images compared to other methods. Furthermore, this approach provides anomaly localization and segmentation of images.
