基于多尺度残留和补充注意力机制的多场景面具检测
Yuting Zhou1, Xin Lin1, Shi Luo1
1College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究介绍了YOLO-MSM,这是一个深度学习网络,用于在复杂场景中准确检测面具. YOLO-MSM网络显著提高了检测准确度和概括性,优于现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 光学传感器产生大量数据,使深度学习能够用于真实世界的应用,如面具检测.
- 面具检测的挑战包括小目标,复杂场景和遮蔽,需要强大的多场景检测网络.
研究的目的:
- 提出一个准确和强大的深度学习网络,用于多场景的面具检测.
- 增强检测小目标,提高复杂环境中的性能.
主要方法:
- 开发了YOLO-MSM网络,使用多级剩余 (MSR) 块和注意力机制 (MSR-CCSA,ER-CCSA,ER-PCSA).
- 利用YOLOv5作为基线,并引入了用于多尺度特征提取的等级剩余连接.
- 创建了一个新的Multi-Scene-Mask数据集,包含各种不同的场景.
- 通过使用数据增强实现了通用化改进策略 (GIS).
主要成果:
- 在多场景面具数据集上,YOLO-MSM的平均精度为97.51%.
- 与基线YOLOv5网络相比,平均平均精度 (mAP) 增加了3.46%.
- 地理信息系统战略显著提高了网络的通用化能力.
结论:
- 拟议的YOLO-MSM网络为多场景口罩检测提供了卓越的性能.
- 与现有方法相比,YOLO-MSM表现出更好的准确性,稳定性和概括性.
- 开发的数据集和GIS战略有助于推进口罩检测研究.
