Yolo-C:基于单阶段网络的X光图像违禁品检测
为了检测X光图像中的违禁物品,提出一种基于深度学习的单阶段双网络目标检测算法.在单阶段目标检测网络Yolov3的基础上,结合复合骨干网络的思想,构建了Yolo-C目标检测网络.Yolo-C的骨干网DarkNet-C由辅助骨干网络DarkNet-A和引导骨干网络DarkNet-L组成.DarkNet-A中的各个特征层与DarkNet-L中对应的上一层级进行特征级联,然后向下一层级传播,最终得到表征图像信息的特征图.为提升对小目标的检测性能,引入特征增强模块(FAB).对级联后的特征图进行特征融合,以增强特征的非线性表达能力,达到特征平滑的目的 .此外,采用迁移学习和数据增强的方法训练网络,提升了网络的鲁棒性.该算法在SIXray_OD数据集上平均精度均值(mAP)达到了73.68%,检测速度达40 frame·s-1.实验结果表明,Yolo-C在检测X光图像领域,有效提高了对多类违禁物品的检测精度,且满足检测的实时性要求.
图像处理、违禁品检测、单阶段双网络、Yolo-C、特征增强模块、迁移学习
58
TP391(计算技术、计算机技术)
国家自然科学基金;民航安全能力建设项目
2021-06-21(万方平台首次上网日期,不代表论文的发表时间)
共10页
67-76