Balanced X-ray Security Dataset and Enhanced YOLO for Contraband Detection
Notice bibliographique
Résumé
To address critical challenges in X-ray contraband detection-including severe class imbalance in existing datasets, scarcity of high-quality annotated data, and poor model adaptability to complex scenarios-this study first constructs a balanced X-ray contraband detection dataset. Derived from the SIXray and PIDray datasets, the balanced dataset comprises 13,728 images covering 12 different contraband categories. To resolve class imbalance, a Class-Specific Augmentation Framework (CSAF) with four physical transformations and random undersampling are adopted, ensuring approximately 1,500 samples per category for uniform class distribution. Two improved models (ASEA-Net and CSEC-Net) based on YOLOv11s are proposed for lightweight and high-precision contraband detection tasks. Experiments on the balanced dataset show that ASEA-Net achieves 95.78% accuracy and 93.55% mAP@50, outperforming YOLOv11s by 1.46% and 1.37% respectively with 13.37% fewer parameters; CSEC-Net reduces parameters by 39.91% and FLOPs by 40.38% compared to YOLOv11s, enabling deployment on resource-constrained edge devices. Both models exhibit strong performance in complex scenarios, validating the value of the balanced dataset and the effectiveness of the proposed models for X-ray contraband detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».