基于深度学习技术的 X 光图像中非法物体检测：比较评估
计算机视觉与模式识别
2025-07-24 v1
摘要
自动化 X 光检查对于在各种公共场所实现高效和不强制的安检至关重要。然而，由于物体遮挡、项目物理属性差异、X 光扫描设备的多样性以及训练数据有限的挑战，使得准确可靠地检测非法物品具有困难。尽管该领域已有大量研究，报告的实验评估常不完整，且结果经常存在冲突。为阐明研究格局并促进进一步研究，本文对近期基于深度学习（DL）的 X 光物体检测方法进行系统、详尽且深入的比较评估。为此，本文构建了包括：a) 六个最新、大规模且广泛使用的公开 X 光非法物品检测数据集（OPIXray、CLCXray、SIXray、EDS、HiXray 和 PIDray），b) 十种不同的最先进物体检测方案，涵盖文献中所有主要类别，包括通用卷积神经网络（CNN）、定制 CNN、通用 transformer 以及混合 CNN-transformer 架构，c) 各种检测（mAP50 和 mAP50:95）和时间/计算复杂度（推理时间（ms）、参数规模（M）和计算负载（GFLOPS））指标。对结果进行详尽分析导致关键观察和见解，强调以下关键方面：a) 物体检测方案的整体行为，b) 物体级别的检测性能，c) 数据集特定的观察，以及 d) 时间效率和计算复杂度分析。为支持所报告实验结果的可重复性，评估代码和模型权重已公开发布于 https://github.com/jgenc/xray-comparative-evaluation。
引用
@article{arxiv.2507.17508,
title = {Illicit object detection in X-ray imaging using deep learning techniques: A comparative evaluation},
author = {Jorgen Cani and Christos Diou and Spyridon Evangelatos and Vasileios Argyriou and Panagiotis Radoglou-Grammatikis and Panagiotis Sarigiannidis and Iraklis Varlamis and Georgios Th. Papadopoulos},
journal= {arXiv preprint arXiv:2507.17508},
year = {2025}
}