利用X光图像进行违禁物品检测是保障公共安全的重要手段,已被广泛应用在物流运输、公共交通等领域。早期研究主要基于传统特征描述子与特征分类器,检测精度较低;随着深度学习的发展与高性能计算设备的出现,基于深度学习的X光图像违禁物品检测研究也逐渐增多,大幅提高了检测效果。然而,深度学习方法依然面临许多挑战和困难,一方面现有模型仅能识别训练集预先定义的类别,无法直接检测新增的违禁物品类别,限制了模型的应用场景;另一方面,X光图像数据集的类别不平衡问题会阻碍模型训练,由于各类违禁物品在实际场景中出现的概率不一致,因此不同类别图像数量差距悬殊,使用类别不平衡的数据集训练模型将无法获得较好的检测精度。为了解决上述问题,本文将小样本学习方法应用到X光图像违禁物品检测任务,具体的研究工作如下:1.研究小样本学习中迁移学习方法在X光图像违禁物品检测任务的应用,提出基于参数预测的小样本X光图像违禁物品检测模型。该模型包括目标检测基础分支与参数预测分支,分别处理待测查询图像与支持图像;针对X光图像透视重叠的特点,本文尝试在目标检测基础分支的特征提取骨干网络添加可形变卷积以及层次细化模块以提高X光图像特征提取效率;参数预测分支从不同类别的支持图像中生成参数更新权重,并将其用于调整目标检测基础分支的查询图像特征,实现对新增小样本类别的检测。实验结果体现出可形变卷积与层次细化模块在处理X光安检图像时的有效性,验证了基于参数预测的小样本检测模型相比于其他迁移学习方法能够取得更好的检测结果。2.探索小样本学习中度量学习方法在X光图像违禁物品检测中任务的应用,提出基于特征双路比较的小样本X光图像违禁物品检测模型,并进一步对比了迁移学习模型与度量学习模型的性能差异。本文设计的特征双路比较模块使用细粒度的像素级相似度与粗粒度的区域级相似度共同描述查询图像特征与支持图像特征的相似关系,再将根据相似度关系判断查询图像中违禁物品出现的区域。实验结果证明特征双路比较模块是有效的,同时基于度量学习的小样本X光图像违禁物品检测模型在检测精度上明显高于基于迁移学习的方法,但召回率较低,检测耗时较长。3.尝试将迁移学习方法与度量学习方法结合,提出融合支持集相似度的小样本X光图像违禁物品检测模型,以进一步提升基于小样本学习的X光图像违禁物品检测的性能。以基于参数预测的小样本X光图像违禁物品检测模型为基础,本文首先在其参数预测分支添加基于自注意力机制设计的支持集图像相似度量模块,计算不同类别支持集图像的相似度;然后,在目标检测基础分支中构建一个无向图网络,将支持集不同类别间的相似度信息融合至查询图像特征中,修正目标检测结果。在多个X光图像数据集上的实验表明,支持集不同类别图像间的相似度信息可以有效提高小样本目标检测模型的性能。