基于动态加权类别平衡损失的多类别口罩佩戴检测

公共场合佩戴口罩已经成为重要的防疫措施.现有口罩检测方法通常只检测是否佩戴口罩,忽略检测未规范佩戴口罩这一极易发生交叉感染的场景,目前的口罩数据集缺少未规范佩戴口罩数据.针对以上问题,在现有口罩数据集的基础上,通过线下采集和从互联网收集更多未规范佩戴口罩图像,并根据佩戴口罩的人脸图像特点,改进Mosaic数据增强算法扩充数据,改进后Mosaic数据增强算法能够将基准网络YOLOv4的平均精度均值(mAP)提升2.08％;针对扩增后数据集出现的类别不平衡问题,提出动态加权平衡损失函数,在重加权二分类交叉熵损失(weight binary cross entropy loss)基础上,以有效样本数量的倒数作为辅助类别权重,并对训练的每一个批次进行动态调整,解决直接使用重加权方法稳定性弱、检测精度震荡和效果不理想的问题.实验表明,改进后模型mAP达到91.25％,未规范佩戴口罩平均精度(AP)达到91.69％,与单阶段方法RetinaNet,Centernet,Effcientdet和两阶段方法YOLOv3-MobileNetV2,YOLOv4-MobileNetV2相比,改进后算法具有更高的检测精度和速度.