BACKGROUND:With the rapid development of deep learning, several neural network models have been proposed for automatic segmentation of prohibited items. These methods usually based on a substantial amount of labelled training data. However, for some prohibited items of rarely appearing, it is difficult to obtain enough labelled samples. Furthermore, the category of prohibited items varies in different scenarios and security levels, and new items may appear from time to time. OBJECTIVE:In order to predict prohibited items with only a few annotated samples and inspect prohibited items of new categories without the requirement of retraining, we introduce an Attention-Based Graph Matching Network. METHODS:This model applies a few-shot semantic segmentation network to address the issue of prohibited item inspection. First, a pair of graphs are modelled between a query image and several support images. Then, after the pair of graphs are entered into two Graph Attention Units with similarity weights and equal weights, the attentive matching results will be obtained. According to the matching results, the prohibited items can be segmented from the query image. RESULTS:Experiment results and comparison using the Xray-PI dataset and SIXray dataset show that our model outperforms several other state-of-the-art learning models. CONCLUSIONS:This study demonstrates that the similarity loss function and the space restriction module proposed by our model can effectively remove noise and supplement spatial information, which makes the segmentation of the prohibited items on X-ray images more accurate.

中文翻译：

---

一种用于违禁物品检查的小样本分割方法

背景：随着深度学习的快速发展，已经提出了几种神经网络模型来自动分割违禁物品。这些方法通常基于大量标记的训练数据。但是，对于一些很少出现的违禁物品，很难获得足够的标记样本。此外，违禁物品的类别因场景和安全级别不同而有所不同，并且可能会不时出现新物品。目的：为了仅用少量带注释的样本预测违禁物品并检查新类别的违禁物品而无需重新训练，我们引入了基于注意力的图匹配网络。方法：该模型应用少镜头语义分割网络来解决违禁物品检查问题。第一的，一对图在一个查询图像和几个支持图像之间建模。然后，将这对图输入到具有相似权重和相等权重的两个图注意力单元中后，将获得注意力匹配结果。根据匹配结果，可以从查询图像中分割出违禁物品。结果：使用 Xray-PI 数据集和 SIXray 数据集的实验结果和比较表明，我们的模型优于其他几种最先进的学习模型。结论：本研究表明，我们的模型提出的相似性损失函数和空间限制模块可以有效去除噪声并补充空间信息，使X射线图像上禁止物品的分割更加准确。将这对图输入到具有相似权重和相等权重的两个图注意力单元中后，将获得注意力匹配结果。根据匹配结果，可以从查询图像中分割出违禁物品。结果：使用 Xray-PI 数据集和 SIXray 数据集的实验结果和比较表明，我们的模型优于其他几种最先进的学习模型。结论：本研究表明，我们的模型提出的相似性损失函数和空间限制模块可以有效去除噪声并补充空间信息，使X射线图像上禁止物品的分割更加准确。将这对图输入到具有相似权重和相等权重的两个图注意力单元中后，将获得注意力匹配结果。根据匹配结果，可以从查询图像中分割出违禁物品。结果：使用 Xray-PI 数据集和 SIXray 数据集的实验结果和比较表明，我们的模型优于其他几种最先进的学习模型。结论：本研究表明，我们的模型提出的相似性损失函数和空间限制模块可以有效去除噪声并补充空间信息，使得X射线图像上违禁物品的分割更加准确。根据匹配结果，可以从查询图像中分割出违禁物品。结果：使用 Xray-PI 数据集和 SIXray 数据集的实验结果和比较表明，我们的模型优于其他几种最先进的学习模型。结论：本研究表明，我们的模型提出的相似性损失函数和空间限制模块可以有效去除噪声并补充空间信息，使X射线图像上禁止物品的分割更加准确。根据匹配结果，可以从查询图像中分割出违禁物品。结果：使用 Xray-PI 数据集和 SIXray 数据集的实验结果和比较表明，我们的模型优于其他几种最先进的学习模型。结论：本研究表明，我们的模型提出的相似性损失函数和空间限制模块可以有效去除噪声并补充空间信息，使X射线图像上禁止物品的分割更加准确。