1.一种检查方法，包括步骤：用X射线扫描被检查物体，得到被检查物体的X射线图像；利用卷积神经网络处理所述被检查物体的X射线图像，得到所述被检查物体的类别活性图；基于所述类别活性图确定所述被检查物体中是否有包括可疑对象；所述卷积神经网络包括与不同尺度对应的多个通路，每个通路具有至少一个卷积层、在所述至少一个卷积层后的池化层和一个全卷积层，所述卷积神经网络中的多个通路共享至少一个卷积层和至少一个池化层，并且所述全卷积层用于输出相应尺度下的权重矢量，所述得到被检查物体的类别活性图的步骤包括：用每个通路输出的权重矢量与该通路中最后一个池化层之前的那个卷积层的特征进行加权求和，得到该尺度下的类别活性图；融合多个尺度下的类别活性图，得到所述被检查物体的类别活性图；得到了原始尺度的类别活性图和至少一个较小尺度的类别活性图，对所述至少一个较小尺度下的类别活性图进行上采样，得到上采样的类别活性图，并融合原始尺度的类别活性图和上采样的类别活性图，得到所述被检查物体的类别活性图。
2.如权利要求1所述的检查方法，其中基于所述类别活性图确定所述被检查物体中是否有包括可疑对象的步骤包括：基于所述被检查物体的类别活性图和所述X射线图像得到热力图；利用阈值划分的方法判断所述热力图中是否包括可疑对象。
3.如权利要求2所述的检查方法，其中对所述被检查物体的类别活性图和所述X射线图像进行加权求和来得到所述热力图。
4.一种检查设备，包括：扫描装置，用X射线对被检查物体进行扫描，得到X射线图像；处理器，配置为：利用卷积神经网络处理所述被检查物体的X射线图像，得到所述被检查物体的类别活性图；基于所述类别活性图确定所述被检查物体中是否有包括可疑对象；所述卷积神经网络包括与不同尺度对应的多个通路，每个通路具有至少一个卷积层、在所述至少一个卷积层后的池化层和一个全卷积层，所述卷积神经网络中的多个通路共享至少一个卷积层和至少一个池化层，并且所述全卷积层用于输出相应尺度下的权重矢量，所述处理器被配置为：用每个通路输出的权重矢量与该通路中最后一个池化层之前的那个卷积层的特征进行加权求和，得到该尺度下的类别活性图；融合多个尺度下的类别活性图，得到所述被检查物体的类别活性图；所述处理器被配置为：得到原始尺度的类别活性图和至少一个较小尺度的类别活性图，对所述至少一个较小尺度下的类别活性图进行上采样，得到上采样的类别活性图，以及融合原始尺度的类别活性图和上采样的类别活性图，得到所述被检查物体的类别活性图。
5.如权利要求4所述的检查设备，其中所述处理器被配置为：基于所述被检查物体的类别活性图和所述X射线图像得到热力图；利用阈值划分的方法判断所述热力图中是否包括可疑对象。
6.如权利要求5所述的检查设备，其中所述处理器被配置为对所述被检查物体的类别活性图和所述X射线图像进行加权求和来得到所述热力图。
7.一种计算机程序产品，存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：利用卷积神经网络处理被检查物体的X射线图像，得到所述被检查物体的类别活性图；基于所述类别活性图确定所述被检查物体中是否有包括可疑对象；所述卷积神经网络包括与不同尺度对应的多个通路，每个通路具有至少一个卷积层、在所述至少一个卷积层后的池化层和一个全卷积层，所述卷积神经网络中的多个通路共享至少一个卷积层和至少一个池化层，并且所述全卷积层用于输出相应尺度下的权重矢量，所述得到被检查物体的类别活性图的步骤包括：用每个通路输出的权重矢量与该通路中最后一个池化层之前的那个卷积层的特征进行加权求和，得到该尺度下的类别活性图；融合多个尺度下的类别活性图，得到所述被检查物体的类别活性图；得到了原始尺度的类别活性图和至少一个较小尺度的类别活性图，对所述至少一个较小尺度下的类别活性图进行上采样，得到上采样的类别活性图，并融合原始尺度的类别活性图和上采样的类别活性图，得到所述被检查物体的类别活性图。
8.一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1～3中任一项所述的方法。
