Delving Into Cluttered Prohibited Item Detection for Security Inspection System

X 射线行李图像中的违禁物品检测可以有效防止社会安全和稳定。随着深度学习的发展，将计算机视觉任务中的特定方法应用于违禁物品检测显示出广阔的前景，由此产生的智能安全检查系统可以有效解决人工检查的局限性。尽管已经提出了几种基于深度学习的方法来繁荣这一研究领域，但仍然存在两个问题尚未得到充分探索。首先，它们中的大多数受数据集不足的影响，大量且标注良好的样本的收集非常费力且昂贵。其次，当前违禁物品检测方法的主干模块的指定与目标检测中的相似，而对违禁物品的特性考虑较少，其中大部分物品是重叠和杂乱的。为了克服这些限制，本文提出了一种用于安全检查系统的杂乱违禁物品检测方法。具体来说，我们的方法首先通过剪切粘贴策略从每个训练小批中的训练样本生成合成 X 射线图像，该策略有效且高效地扩充了数据集，并能保证合成样本的质量。然后，开发了一种高阶空洞卷积模块来丰富特征的表示能力，进一步提升重叠和杂乱违禁物品的定位能力。实验表明，我们提出的方法可以很好地推广到各种数据集，并比最先进的方法取得明显的改进