无监督数据集子类划分的人脸口罩佩戴识别算法

摘要：

人脸口罩佩戴识别成为疫情防控的一项重要手段,而目前口罩佩戴检测主要还是通过人工监测,基于深度学习的口罩佩戴检测系统较少,且存在误检、漏检和检测速度慢等问题.针对口罩佩戴检测中不规范佩戴口罩数据集较少,和对检测精度和检测速度要求较高的实际应用需求,从数据集和网络两方面改进人脸口罩佩戴检测方法:通过在无监督自分类方法中引入标签矫正算法对数据集进行子类划分,减少数据集类内差异,提高网络检测精度;调整目标检测网络结构,去除小尺度检测的网络层,提高网络检测速度;引入注意力机制模块,增强网络对细节特征的提取能力,提高网络检测精度.口罩佩戴情况的平均检测精度从79.34％提升到93.12％,检测速度提高了6.4％,设计的网络结构能够满足实际应用的需求.

关键词：无监督自标签、标签矫正、深度学习、人脸识别、口罩数据集

所属期刊栏目：35

分类号：TP37(计算技术、计算机技术)

资助基金：特定场所防疫智能识别和监控系统;国家自然科学基金;国家重点研发计划

在线出版日期：2023-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：235-244