I$^2$OL-Net：基于点监督的 X 射线禁止物品检测中的类内-类间对象性学习网络
计算机视觉与模式识别
2025-01-06 v2
摘要
自动检测 X 射线图像中的禁止物品在公共安全中发挥着关键作用。然而，现有方法依赖大量繁琐的边界框标注。为此，我们探索了在点监督下进行 X 射线禁止物品检测的可能性，并开发了一种类内-类间对象性学习网络（IOL-Net）。IOL-Net 由两个关键模块构成：类内调制对象性学习（intra-OL）模块和类间调制对象性学习（inter-OL）模块。类内-OL 模块设计了局部聚焦高斯遮蔽块和全局随机高斯遮蔽块，以协作学习 X 射线图像中的对象性。同时，类间-OL 模块引入了基于小波分解的对抗学习块和对象性块，有效减少了模态差异，并将从自然图像中学习到的对象性知识（这些图像具有边界框标注）迁移到 X 射线图像。基于上述方法，IOL-Net 大大缓解了由于 X 射线图像中类内变异严重导致的部分主导问题。在四个 X 射线数据集上的实验结果表明，IOL-Net 能够以显著降低标注成本的优异性能，进而提升了其可达性和实用性。
引用
@article{arxiv.2412.03811,
title = {I$^2$OL-Net: Intra-Inter Objectness Learning Network for Point-Supervised X-Ray Prohibited Item Detection},
author = {Sanjoeng Wong and Yan Yan},
journal= {arXiv preprint arXiv:2412.03811},
year = {2025}
}
备注
We identified technical errors during a subsequent review of our paper, which may impact the accuracy of the conclusions. For instance, Table 1 did not adequately account for the fact that P2BNet was not trained on the COCO dataset, which could lead to results that do not fully reflect the actual performance of the method