基于置信度感知的SSD集成与加权盒子融合的武器检测
计算机视觉与模式识别
2025-09-30 v1 机器学习
摘要
公共空间的安全与安全性至关重要，这驱使对能够准确检测武器的高级监视系统的需求，这些武器常常受到部分遮挡、光照变化和杂乱背景的影响。虽然单模型检测器已相当先进，但在这些具有挑战性的条件下往往缺乏鲁棒性。本文提出，由单张速测多框检测器（SSD）模型组成的集成，能够显著增强检测鲁棒性。为充分利用多样化的特征表示，采用VGG16、ResNet50、EfficientNet和MobileNetV3等不同特征提取主干网络训练单个SSD模型。该研究在包含三类武器（手枪、重型武器和刀具）图像的数据集上进行。使用加权盒子融合（WBF）方法组合这些模型的预测，WBF是一种旨在优化边界框精度的集成技术。我们的关键发现是，融合策略与集成的多样性同样重要，采用“max”置信度评分策略的WBF方法实现了平均精度（mAP）为0.838，这相较于最佳单模型提升了2.948%的相对提升，并持续优于其他融合启发式方法。该研究为通过演示置信度感知融合是提高集成准确度指标的关键机制，为在监视应用中提升实时武器检测能力提供了稳健的方法。
引用
@article{arxiv.2509.23697,
title = {Confidence Aware SSD Ensemble with Weighted Boxes Fusion for Weapon Detection},
author = {Atharva Jadhav and Arush Karekar and Manas Divekar and Shachi Natu},
journal= {arXiv preprint arXiv:2509.23697},
year = {2025}
}