GSA-YOLO：基于结构稀疏与自适应知识蒸馏的高效 X-ray 安检框架
计算机视觉与模式识别
2026-05-21 v1
摘要
X-ray 安检需要准确实时检测禁带物品，但现有模型往往难以平衡严重遮挡、复杂杂乱以及严格速度要求之间的挑战。为此，本文提出 GSA-YOLO，一种新型轻量级框架基于 YOLOv8n 架构，专为增强检测鲁棒性和推理效率而设计。GSA-YOLO 战略性地集成结构稀疏和自适应知识传递，包含三个核心组件：应用于网络颈部的群 Lasso (GL) 以实现稳健特征提取；应用于检测头的稀疏结构选择 (SSS) 以实现显著模型精简；以及用于综合准确度恢复的自适应知识蒸馏 (Ada-KD) 机制。该集成方法协同增强特征表示，同时修剪冗余通道，最大限度地提高模型效率而不牺牲性能。对 HiXray 和 PIDray 数据集上的严格评估确认 GSA-YOLO 具备全面的能力，实现了领先的 189.62 FPS 推理速度，同时将计算成本从 8.7G 降至 8.0G。关键的是，GSA-YOLO 在 HiXray 和 PIDray 上分别实现了 0.531 和 0.679 的 mAP50:95，分别比基线提高 2.4% 和 1.8%。与其他模型相比，GSA-YOLO 在保持计算效率的同时展现出增强的准确性，使其成为实际 X-ray 安检的有前景的解决方案。
引用
@article{arxiv.2605.20669,
title = {GSA-YOLO: A High-Efficiency Framework via Structured Sparsity and Adaptive Knowledge Distillation for Real-Time X-ray Security Inspection},
author = {Jiahao Kong},
journal= {arXiv preprint arXiv:2605.20669},
year = {2026}
}
备注
41 pages, 8 figures, submitted to Scientific Reports