注意力机制下X光安检违禁品图像区域分割

发布时间：2024-05-18 19:07

　　近年来,违禁品自动检测技术一直是计算机视觉领域的研究热点。不同于常见的目标检测任务,X光安检图像违禁品检测需要对违禁品图像区域进行分割定位,进而协助安检人员制定决策。基于卷积神经网络的图像分割模型过分依赖于有监督训练,从而增加了其在安检图像违禁物品分割中的应用局限性。鉴于注意力模型的弱监督学习特性,本文提出了一种注意力机制下的X光安检违禁品图像区域分割方法。具体研究内容如下:1)建立了基于安检违禁品图像的注意力模型。通过卷积神经网络获取图像的语义信息,并引入了one-hot数据标注和新的损失函数,以减少多目标情况下的漏检率。然后,利用注意力回传链路将语义信息映射到图像空间,得到可对违禁品目标进行标注的注意力图。2)提出了结合对比注意力和侧抑制的神经元抑制方法。利用对比注意力消除注意图中的非目标干扰,利用相邻神经元互相抑制的机制去除注意力图中的噪声,并增强注意力图中显著性区域。3)引入并结合注意力图改进了两种图像分割算法:简单线性迭代聚类(Simple Linear Iterative Cluster,SLIC)和Grab Cut算法。通过实验评估了两种算法对不同类别违禁品图像的处理速度...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图1-1X光安检机和X光安检图像

中国民航大学硕士学位论文测[30-32]，如图1-1中（a）为X光安检机，（b）为安检违禁品图像。随着的到来，计算机的处理能力显著提高，计算机视觉技术也随着深度学习算而被人们广泛应用于日常生活中。同时，国内外的相关学者也在探索利用来实现X光安检图像的智能化处理。诸多深....

图1-2基于X光的安检违禁品图像区域分割提取总流程图

消除注意力回传过程中的非目标干扰和噪声。经过优目标高度相关的目标注意力图。注意力图可显示违禁为图像分割提供指导信息。最后，基于目标注意力机制，本文引入了SLIC[52]和GrubCut[53-54]的两种图的违禁品图像区域。的安检违禁品图像区域分割提取总流程如图1.2所....

图2-1三种图像特征的违禁品图像

检测物成像颜色HSV有机物橙色19-5156-10030-100无机物蓝色170-23150-9370-100混合物质绿色90-15756-10050-100无法穿透黑色000为了更有针对性地研究注意力模型在处理安检图像中存在的问题，我们将....

图2-2违禁品图像采集效果图

图2-2违禁品图像采集效果图表2.2各类违禁品图像采集情况充电宝打火机叉子水果刀仿真手枪钳子量236230230316335301量357270147335216399图像数据增强的训练需要大量的数据。为了保证数据集的体量和多样性....

本文编号：3977229