一个轻量级的X-YOLO-Mamba模型用于在X射线图像中检测被禁止物品,使用选择性状态空间模型
Kai Zhao1,2, Shufan Peng1, Yujin Li1
1School of Information Network Security, People's Public Security University of China, Beijing, 100038, China.
Scientific reports
|April 16, 2025
概括
在X射线图像中,X-YOLO-Mamba提供了有效的禁止物品检测. 这种轻量级模型平衡了高精度与低计算成本,改善了公共安全选.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 对于X射线安全查的深度学习模型在特征提取,封闭和复杂性方面面临挑战.
- 现有的大规模CNN和ViT架构提高了准确性,但具有高的计算成本和部署限制.
研究的目的:
- 为基于X射线图像的禁止物品检测开发一种轻量级和高效的模型.
- 解决当前安全查系统中精度和计算开销之间的权衡问题.
主要方法:
- 提出了Xray-YOLO-Mamba,将YOLO和Mamba架构集成在一起.
- 引入了新型组件:用于增强受体场的CResVSS块,用于降低采样过程中的最小信息损失的SDConv,以及用于改进分辨率恢复的Dysample.
- 在CLCXray,OPIXray和SIXray数据集上进行评估.
主要成果:
- 通过mAP50-95得分达到74.6% (CLCXray),43.9% (OPIXray) 和73.9% (SIXray) 的优异性能.
- 证明了4.3M参数和10.3GFLOP的轻量效率.
- 在GPU上实现了95.2 FPS的实时性能.
结论:
- X-YOLO-Mamba有效地平衡了检测精度和计算效率.
- 该模型显示了强大的性能和公共安全应用的优秀泛化能力.
- 提供了一个实用的解决方案,用于X射线成像中的实时,高效的禁止物品检测.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
903
07:48High Spatial Resolution Chemical Imaging of Implant-Associated Infections with X-ray Excited Luminescence Chemical Imaging Through Tissue
Published on: September 30, 2022
1.2K
