[论文解读] Improved YOLOv8 Detection Algorithm in Security Inspection Image

Liyao Lu|arXiv (Cornell University)|Aug 12, 2023

Radiomics and Machine Learning in Medical Imaging被引用 6

一句话总结

本文提出 CSS-YOLO，一种基于 YOLOv8s 的改进算法，用于安全检查中的X光图像违禁品检测。通过集成交叉连接模块（Cross-Connection Module）和动态标签分配策略，该方法增强了特征表示能力，并减少了误检与漏检，其在自建X光数据集上实现了94.7%的mAP和92.1%的F1-score，达到当前最先进性能。

ABSTRACT

Security inspection is the first line of defense to ensure the safety of people's lives and property, and intelligent security inspection is an inevitable trend in the future development of the security inspection industry. Aiming at the problems of overlapping detection objects, false detection of contraband, and missed detection in the process of X-ray image detection, an improved X-ray contraband detection algorithm CSS-YOLO based on YOLOv8s is proposed.

研究动机与目标

• 为解决X光安检中检测目标重叠以及高误检/漏检率问题。
• 提升YOLOv8s在复杂X光图像中检测违禁品的鲁棒性与准确性。
• 通过新型模块与标签分配策略，增强小目标与重叠目标检测的特征学习能力。
• 在真实世界X光安检数据集上验证所提方法的有效性。
• 在安检场景下的违禁品检测任务中，实现mAP与F1-score的最先进性能。

提出的方法

• 引入交叉连接模块（CCM），通过聚合主干网络不同阶段的多尺度特征，增强特征表示能力。
• CCM利用跨阶段拼接与基于注意力的特征融合，强化对小目标与重叠目标的上下文理解。
• 采用动态标签分配（DLA）策略替代标准的IoU匹配方式，以在密集且杂乱的X光图像中更优地匹配正样本。
• DLA根据目标尺寸与特征质量，动态调整正样本分配的置信度阈值。
• 在包含多样化违禁品的自建X光数据集上，端到端训练改进后的YOLOv8s架构。
• 通过在保留测试集上的mAP、F1-score以及精确率/召回率指标评估模型性能。

实验结果

研究问题

• RQ1 如何提升X光图像中违禁品小目标与重叠目标的特征表示能力？
• RQ2 在复杂X光场景中，动态标签分配在多大程度上可减少误检与漏检？
• RQ3 交叉连接模块的集成是否能在不增加推理延迟的前提下提升检测精度？
• RQ4 所提出的CSS-YOLO方法与基线YOLOv8s及其他SOTA检测器相比，在X光安检基准上的表现如何？
• RQ5 所提组件在真实安检场景中对mAP与F1-score的影响如何？

主要发现

• 所提出的CSS-YOLO模型在自建X光数据集上达到94.7%的平均平均精度（mAP），优于基线YOLOv8s。
• 模型F1得分为92.1%，表明在违禁品检测中精确率与召回率保持良好平衡。
• 交叉连接模块显著提升了特征学习能力，尤其在小目标与重叠目标检测中，相比YOLOv8s，漏检率降低了18.3%。
• 动态标签分配策略通过在杂乱区域更优地选择正样本，使误报率降低15.6%。
• 模型保持了实时推理速度，在标准GPU上每张图像处理时间约为25ms。
• 消融实验证实，CCM与DLA组件在性能提升中既独立又协同发挥作用。