目标检测论文解读复现之十八：基于注意力机制的光线昏暗条件下口罩佩戴检测

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

 自新冠肺炎疫情爆发以来，口罩佩戴检测成为疫情防控的必备操作。该文针对在光线昏暗条件下口罩佩戴检测准确率较低的问题，提出了将注意力机制引入YOLOv5网络进行口罩佩戴检测的方法。首先对训练集图片使用图像增强算法进行预处理，然后将图片送入到引入了注意力机制的YOLOv5网络中进行迭代训练，完成训练后，将最优权重模型保存并在测试集上测试。实验结果表明，在注意力的加持下，该模型能有效增强人脸和口罩等关键点信息的提取，提高模型的鲁棒性，在光线昏暗条件下对口罩佩戴的检测准确率能达到92%，能够有效满足实际需求。

二、网络模型及核心创新点

1. 损失函数

2. 卷积注意力模块

三、应用数据集

目前开源的口罩佩戴检测数据集较少，因此实验通过网络爬取与自行拍摄相结合的方式制作数据集，数据集中80%来源于网络，20%来源于实际拍摄。昏暗条件下的口罩佩戴图片相对缺乏，实际拍摄主要获取的是这类图片，实验过程中从楼道、室内等光线昏暗的场所进行了图片采集，同时也在傍晚和清晨等光线较弱的环境下进行了拍摄。数据集部分图片如下图所示。

四、实验效果（部分展示）

1. 模型训练完成后，将得到的模型与参考文献[5]中的方法和AIZOO方法的口罩检测模型进行对比实验，分别在光照强度为30-75Lux(昏暗)，75-250Lux(较昏暗)和250-1000Lux(正常光照)的条件下进行对别实验，实验结果如下图所示。

2. 本文将算法应用在在实际场景中，实验的结果如下图所示，图中每一列分别是使用参考文献[5]、AIZOO与本文方法的检测效果。

五、实验结论

实验结果表明，在可见度不高、光照强度不大的昏暗条件下，与文献[5]和AIZOO的方法相比，本文方法使用图像增强能改善图片的质量，通过注意力机制能更加准确地提取人脸口罩关键点特征，使得检测的准确率更高，具有较强的鲁棒性和扩展性，基本能够达到视频图像实时性的要求。

六、投稿期刊介绍

注：论文原文出自郭磊、王邱龙、薛伟、郭济；基于注意力机制的光线昏暗条件下口罩佩戴检测；电子科技大学学报。

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。