MMCL：用于改进防重叠 X 射线目标检测的内容查询分布纠正
计算机视觉与模式识别
2025-11-12 v2
摘要
与基于遮挡的重叠在自然图像中不同，X 射线图像表现出深度导致的叠加和半透明外观，其中位于不同深度的物体重叠且其特征混合。这些特征要求专门的机制来解耦目标物体（如禁用物品）与无关背景之间的混合表示。虽然最近的研究尝试将检测变换器（DETR）用于防重叠目标检测，但仍未充分探讨代表对象假设的优势分布内容查询的重要性。本文引入多类最小间隙对比学习（MMCL）框架，以纠正内容查询的分布，实现类别内均衡的多样性和类别间的可分性。该框架首先按对象类别对内容查询进行分组，然后应用两个提出的互补损失组件：多类排除损失以增强类别间可分性，最小间隙聚类损失以鼓励类别内的多样性。我们在三个广泛使用的 X 射线禁用物品检测数据集上进行评估：PIXray、OPIXray 和 PIDray，采用两种背bone网络和四种 DETR 变体。实验结果表明，MMCL有效增强了防重叠目标检测，并在两个数据集上实现了最先进的性能。代码将在 GitHub 上公开。
引用
@article{arxiv.2406.03176,
title = {MMCL: Correcting Content Query Distributions for Improved Anti-Overlapping X-Ray Object Detection},
author = {Mingyuan Li and Tong Jia and Hui Lu and Hao Wang and Bowen Ma and Shiyi Guo and Shuyang Lin and Dongyue Chen and Haoran Wang and Baosheng Yu},
journal= {arXiv preprint arXiv:2406.03176},
year = {2025}
}
备注
16 pages,8 figures