基于注意力机制的X光安检图像危险物品检测

针对X光行李安检系统中危险物品检测上存在的误检、漏检等问题,提出了一种有效利用上下文信息和增强特征表征能力的注意力融合网络(attention fusion network,AFN)。在YOLOv3-SPP架构上融合多压缩激活(multi-squeeze excitation,MSE)模块和多融合全局注意力(multi-fusion global attention,MFGA)模块,将特征提取网络提取的特征与MSE提取的通道信息融合,得到具备通道全局性的语义特征;将MFGA模块设置在各个检测网络分支,有效地融合具有深层特征的通道及空间信息,使多尺度特征具备3维全局性。在公开的SIXray数据集上进行测试表明,提出的方法有效提高了中等目标和大目标的检测精度和召回率,模型的精度均值为51.1%,比经典的YOLOv3-SPP算法提高了1.4百分点,证明了通道注意力和空间注意力可有效增强输入特征图中用于检测危险物品的细节信息,提高模型对中等目标和大目标的检测性能。