[发明专利]一种基于多尺度跨图像弱监督学习的违禁物检测方法

说明书

本发明公开了一种基于多尺度跨图像弱监督学习的违禁物检测方法，该方法首先构建违禁物检测模型，所述违禁物检测模型由用于图像多尺度特征提取与融合的特征交互模型、学习目标语义信息的跨图像弱监督语义分析模型以及分割掩码辅助检测模型复合而成；本发明方法通过编码器提取多尺度特征、持续特征交互强化深层语义信息，残差学习网络整合上下文信息，使用联合注意力机制学习跨图像相似性矩阵，运用解码器结构获得高层次语义分割掩码辅助检测，获得最终检测结果。本发明方法能够有效提高物品严重遮挡、高度重叠情况下的违禁物检测的准确率。

技术领域

本发明涉及违禁物检测技术，具体涉及一种基于多尺度跨图像弱监督学习的违禁物检测 方法。

背景技术

智能X光包裹违禁物检测方法，能够自动识别乘客包裹中是否有违禁物品，与其他非破 坏性的检测方法(如超声波、超频成像、热成像等)相比，X光的优点在于优秀的辨识力、 清楚度和可视化能力，因此，在过去近十年里，X光包裹违禁物检测一直是研究的热点领域。

近年来，深度学习特别是深度卷积神经网络(deep convolutional neuralnetworks,DCNNs) 在包裹违禁物检测任务中得到了成功应用，并使得安检自动化取得显著地进展。但是，目前 在物品高度重叠、相互遮挡的包裹中，违禁物检测的准确率仍有待提高。针对这个问题，一 些现有方法利用Canny、Sobel算子得到边缘线索来提高辨识度，但是低层梯度信息引入过多 的噪声(如其它安全物品的边缘细节信息等)，不利于违禁物的检测。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于多尺度跨图像弱监督学习的违禁 物检测方法，该方法能够有效提高物品严重遮挡、高度重叠情况下的违禁物检测的准确率。

本发明的目的是通过以下技术方案来实现的：一种基于多尺度跨图像弱监督学习的违禁 物检测方法，该方法包括以下步骤：

(1)构建违禁物检测模型，包括用于图像多尺度特征提取与融合的特征交互模型、学习 目标语义信息的跨图像弱监督语义分析模型、分割掩码辅助检测模型；

所述特征交互模型的构建方法如下：

输入原始图像I，通过编码器提取多尺度初始特征图编码器是由C个残 差块组成的残差学习网络，C即为特征图的尺度数；相邻尺度下的特征图进行特征交互，即 对低层特征图中层特征图和高层特征图进行采样得到相同分辨率的特征图，之 后进行像素加和，得到对应尺度下的多尺度交互图f₁ⁱ；将第k-1轮特征交互图作为新一轮特 征交互的初始特征图K为总迭代次数，得到第k轮特征交互 的输出特征图对每个尺度i下生成的K轮特征交互图f₁ⁱ,...,进行像素加和， 得到每个尺度i下的上下文信息特征图{fⁱ},i＝1,2,...,C；将各尺度下的上下文信息特征图通 过门限卷积网络进行融合，得到原始图像的多尺度上下文融合特征图F；

所述跨图像弱监督语义分析模型的构建方法如下：