结合空洞卷积和迁移学习改进YOLOv4的X光安检危险品检测
由于X光安检图像存在背景复杂,重叠遮挡现象严重,危险品摆放方式、形状差异较大等问题,导致检测难度较高.针对上述问题,本文在YOLOv4的基础上,结合空洞卷积对其网络结构进行改进,加入空洞空间金字塔池化(At-rous Space Pyramid Pooling,ASPP)模型,以此增大感受野,聚合多尺度上下文信息.然后,通过K-means聚类方法生成更适合X光安检危险品检测的初始候选框.其中,模型训练时采用余弦退火优化学习率,进一步加速模型收敛,提高模型检测精度.实验结果表明,本文提出的ASPP-YOLOv4检测算法在SIXRay数据集上的mAP达到85.23%.该方法能有效减少X光安检图像中危险品的误检率,提高小目标危险品的检测能力.
X光安检图像;YOLOv4;空洞卷积;空间金字塔池化;余弦退火
14
TP391.4;TH691.9(计算技术、计算机技术)
国家自然基金科学基金;JSPS科学基金
2021-11-26(万方平台首次上网日期,不代表论文的发表时间)
共9页
1417-1425