融合空间注意力的自适应安检违禁品检测方法

摘要：

针对X光安检场景违禁品检测精度低,存在误检和漏检的问题,在Cascade R-CNN基础上,提出一种融合空间注意力的自适应安检违禁品检测方法XPIC R-CNN.在ResNet50中引入可形变卷积作为主干网络,自适应地学习不同尺寸的违禁品特征;结合可形变卷积的空间稀疏采样优势和自注意力机制强大的元素间关系建模能力,提出一种空间自适应注意力模块,有效地抑制复杂背景的噪音干扰;提出一种多尺度自适应候选区生成网络,使用语义特征去指导锚框的生成,提高候选框的质量以提升网络的召回率;在级联检测器中引入在线难例挖掘训练策略,解决正负样本不均衡和小样本训练困难的问题.实验结果表明,XPIC R-CNN在数据集SIXray_PI上的平均检测精度为94.5%,召回率为77.4%,比原始算法分别提升了3.2和8.2个百分点,最高漏检率仅有10%.

关键词：违禁物品检测、Cascade R-CNN、空间自适应注意力、可形变卷积、在线难例挖掘

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划2020YFB1711902

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：176-186