基于注意力机制的改进轻量型 YOLOv5 模型用于口罩检测
计算机视觉与模式识别
2022-09-13 v3 机器学习
摘要
2019 冠状病毒病给全球社会稳定和公共卫生带来了严峻挑战。遏制疫情的一种有效方式是要求人们在公共场所佩戴口罩，并利用合适的自动检测器监测戴口罩状态。然而，现有基于深度学习的模型难以同时达到高精度与实时性的要求。为解决该问题，我们提出了一种基于 YOLOv5 的改进轻量型口罩检测器，可实现精度与速度的优异平衡。首先，提出一种将 ShuffleNetV2 网络与坐标注意力机制相结合的新型骨干网络 ShuffleCANet 作为骨干。随后，采用高效路径聚合网络 BiFPN 作为特征融合颈。此外，在模型训练阶段将定位损失替换为 alpha-CIoU 以获得更高质量的锚框。还使用了数据增强、自适应图像缩放和锚框聚类等一些有价值的策略。在 AIZOO 口罩数据集上的实验结果表明了所提模型的优越性。与原始 YOLOv5 相比，所提模型推理速度提升 28.3%，同时精度仍提高 0.58%。与其他七种现有模型相比，其平均精度均值达到最佳的 95.2%，比基线高 4.4%。
引用
@article{arxiv.2203.16506,
title = {An Improved Lightweight YOLOv5 Model Based on Attention Mechanism for Face Mask Detection},
author = {Sheng Xu and Zhanyu Guo and Yuchi Liu and Jingwei Fan and Xuxu Liu},
journal= {arXiv preprint arXiv:2203.16506},
year = {2022}
}
备注
Accepted as a conference paper at the 31st International Conference on Artificial Neural Networks (ICANN 2022). The final authenticated publication will be available in the Springer Lecture Notes in Computer Science (LNCS)