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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».