CSPCL:面向基于 Deformable DETR 的违禁物品检测器的类别语义先验对比学习
计算机视觉与模式识别
2025-11-12 v2
摘要
基于 X 射线图像的违禁物品检测是最有效的安检方法之一。然而,X 射线图像特有的物体重叠现象所导致的前景-背景特征耦合,使得为自然图像设计的通用检测器表现欠佳。为解决这一问题,我们提出了一种类别语义先验对比学习(CSPCL)机制,该机制将分类器所感知的类别原型与内容查询进行对齐,以校正并补充分类所缺失的语义信息,从而增强模型对前景特征的敏感性。为实现这种对齐,我们设计了一种特定的对比损失——CSP 损失,它由类内截断吸引(ITA)损失与类间自适应排斥(IAR)损失组成,且性能优于经典的对比损失。具体而言,ITA 损失利用类别原型吸引类内内容查询,并通过梯度截断函数保留必要的类内多样性。IAR 损失利用类别原型自适应地排斥类间内容查询,其排斥强度按原型-原型相似度进行缩放,从而提升类间可区分性,尤其是在相似类别之间。CSPCL 具有通用性,可轻松集成到基于 Deformable DETR 的模型中。在 PIXray、OPIXray、PIDray 和 CLCXray 数据集上的大量实验表明,CSPCL 在不增加推理复杂度的前提下,显著提升了多种 SOTA 模型的性能。代码已公开,地址为 https://github.com/Limingyuan001/CSPCL。
引用
@article{arxiv.2501.16665,
title = {CSPCL: Category Semantic Prior Contrastive Learning for Deformable DETR-Based Prohibited Item Detectors},
author = {Mingyuan Li and Tong Jia and Hao Wang and Bowen Ma and Hui Lu and Shiyi Guo and Da Cai and Dongyue Chen},
journal= {arXiv preprint arXiv:2501.16665},
year = {2025}
}
备注
22 pages, 5 figures