增强至关重要：噪声标注下X射线违禁品检测的Mix-Paste方法

自动X射线违禁品检测对公共安全至关重要。现有的基于深度学习的方法均假设训练X射线图像的标注是正确的。然而，对于大规模X射线图像而言，物品重叠现象无处不在，获得正确标注即使不是不可能的，也极其困难。结果，X射线图像很容易被噪声标注污染，导致现有方法的性能下降。在本文中，我们从数据增强的新视角解决了在噪声标注（包括类别噪声和边界框噪声）下训练鲁棒违禁品检测器的挑战性问题，并提出了一种有效的标签感知混合块粘贴增强方法。具体而言，对于每个物品块，我们将来自不同图像的具有相同类别标签的几个物品块进行混合，并用混合后的块替换图像中的原始块。这样，生成的图像中包含正确违禁品的概率就增加了。同时，混合过程模拟了物品重叠，使模型能够学习X射线图像的特征。此外，我们设计了一种基于物品的大损失抑制（LLS）策略，以抑制由于混合操作导致的额外物品潜在正预测对应的大损失。我们在噪声标注下的X射线数据集上展示了我们方法的优越性。此外，我们在噪声MS-COCO数据集上评估了我们的方法，以展示其泛化能力。这些结果清楚地表明了数据增强在处理噪声标注方面的巨大潜力。源代码发布于 https://github.com/wscds/Mix-Paste。