王 兵,乐红霞,李文璟,张孟涵
1.西南石油大学 计算机科学学院,成都610500
2.中国电信股份有限公司 成都分公司,成都610051
3.电子科技大学 信息与软件工程学院,成都610500
一些大型病毒可以通过飞沫和其他介质传播,在公共场所佩戴口罩对于减少疾病的传播至关重要。在人群密集的区域(例如社区、超市和车站)通过人工方式检查口罩佩戴情况会消耗大量的人力资源且容易漏检,因此实现口罩佩戴检测算法具有重要现实意义。
近年来,由于深度学习的快速性、可扩展性和端到端学习等优点,一系列基于深度学习的目标检测算法被提出。YOLO 系列[1-4]可能是实际应用中最流行的目标检测算法,在YOLO的基础上对网络进行改进也容易取得需要的效果。例如杨晋升等人研究对基于YOLO 轻量化网络的交通标志检测[5]通过在骨干网络中使用深度可分离卷积更好地提取中小型目标。施辉等人对基于YOLO轻量化网络的安全帽佩戴检测[6]采用图像金字塔结构并构建安全帽数据集获取更具工业应用的模型。这些改进的算法在目标检测领域上有着重要的意义,但是这些方法仍没有很好地说明特征提取和利用率的问题。
YOLOv4为最近的开源目标检测网络,在速度和精度上与同时期目标检测网络有着明显的优势。YOLOv4采用具有深层结构的CSPDarknet53 作为骨干网络,使用PANet[7]代替FPN[8]进行参数聚合,检测准确率高但对硬件配置要求较高,在小型硬件平台中检测速度慢,因此在嵌入式平台上普遍使用YOLOv4tiny 进行检测,虽然检测速度快但由于网络层次简单,特征提取能力不足,检测效果低于YOLOv4。……