于 波，馮 偉

(東北石油大學(xué)物理與電子工程學(xué)院，黑龍江 大慶 163000)

1 引言

自從2019年12月份以來(lái)，新冠肺炎疫情蔓延到全球各地，新型冠狀病毒具有較強(qiáng)的傳染性，它可以通過(guò)空氣作為媒介進(jìn)行傳播，其形式主要有飛沫和氣溶膠等，并且可以在較適宜的環(huán)境中存活5天左右[1-2]。因此佩戴醫(yī)用外科口罩和N95口罩可以有效避免該病毒在人與人之間傳播。雖然公共場(chǎng)合下佩戴口罩是每個(gè)的責(zé)任，但仍需要靠政府和社會(huì)的管理，因此在人流量密集的區(qū)域比如高鐵站，地鐵站和旅游景區(qū)等地方可以采用一定的手段進(jìn)行管理和監(jiān)督，例如使用基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法進(jìn)行一定程度上的監(jiān)督，這種檢測(cè)算法較以往傳統(tǒng)算法在檢測(cè)精度和速度上都有了很大提升。

近年來(lái)，目標(biāo)檢測(cè)算法進(jìn)入了快速發(fā)展階段[3-5]。2014年Chen等人提出了RCNN網(wǎng)絡(luò)[6]，RCNN通過(guò)用CNN提取出固定的特征，對(duì)每個(gè)類(lèi)別都用SVM進(jìn)行分類(lèi)訓(xùn)練，代替了用遷移學(xué)習(xí)的softmax分類(lèi)器，雖然在當(dāng)年實(shí)現(xiàn)了較高質(zhì)量的目標(biāo)檢測(cè)，但是其SVM訓(xùn)練和候選框回歸訓(xùn)練不僅占據(jù)了大量的磁盤(pán)空間，更對(duì)計(jì)算的實(shí)時(shí)性有著巨大的挑戰(zhàn)。在2016年，Girshick等人提出了Fast RCNN[7]，F(xiàn)ast RCNN在RCN上提出了區(qū)域建議共享卷積計(jì)算的思想，即在最后一層卷積層和第一個(gè)全連接層上添加了ROI[8]來(lái)提取每個(gè)區(qū)域建議的固定長(zhǎng)度，從而提高了檢測(cè)速度和質(zhì)量，Ren等人提出了Faster RCNN[9]，F(xiàn)aster RCNN顯著的加快了檢測(cè)的速度，可以將Faster RCNN看作RPN+Fast RCNN，利用anchor[10]機(jī)制將區(qū)域建議和卷積網(wǎng)絡(luò)聯(lián)系在一起，anchor機(jī)制也影響了SSD[11]目標(biāo)檢測(cè)算法的提出。RCNN這一系列思想主要是在保證一定的檢測(cè)速度的同時(shí)，對(duì)目標(biāo)檢測(cè)精度有著更高要求，屬于兩階段檢測(cè)框架(Two Stage Framework)包括了對(duì)區(qū)域建議進(jìn)行的預(yù)處理，使整個(gè)檢測(cè)過(guò)程分為兩個(gè)階段。2016年redmon等人提出了YOLO[12]檢測(cè)算法，其算法將區(qū)域建議階段取消，通過(guò)將卷積后的特征圖劃分為SxS的網(wǎng)格，對(duì)每個(gè)網(wǎng)格都進(jìn)行分類(lèi)和回歸運(yùn)算得到預(yù)測(cè)結(jié)果，由于完全拋棄了區(qū)域建議階段，YOLO的速度較RCNN系列有著較大的提升。同年，Liu等人提出了SSD檢測(cè)算法，SSD算法和YOLO算法同屬于單階段檢測(cè)框架(One Stage Framework)SSD由于采用了在多個(gè)不同大小的特征圖上進(jìn)行檢測(cè)，對(duì)不同尺度的目標(biāo)檢測(cè)具有較好的魯棒性，其檢測(cè)速度不僅快于YOLO，檢測(cè)精度也相對(duì)于Faster RCNN有一定的競(jìng)爭(zhēng)力。

然而，傳統(tǒng)的SSD檢測(cè)算法采用smooth L1建立回歸的損失函數(shù)，這一做法導(dǎo)致?lián)p失函數(shù)和評(píng)價(jià)函數(shù)并不統(tǒng)一，極有可能出現(xiàn)目標(biāo)函數(shù)局部最優(yōu)并不是IoU局部最優(yōu)的問(wèn)題。因此本文提出了一種基于SSD改進(jìn)的口罩佩戴檢測(cè)算法。

本文提出的改進(jìn)SSD算法考慮到了不同相交方式對(duì)目標(biāo)函數(shù)的影響，提出兩框的交集與包含兩框的最小框之比。若真實(shí)框和預(yù)測(cè)框沒(méi)有交集將導(dǎo)致兩框的交集與包含兩框的最小框之比為零，讓目標(biāo)函數(shù)很難收斂，鑒于此，本文另外增加了根據(jù)真實(shí)框和預(yù)測(cè)框的幾何中心點(diǎn)之間的歐式距離的目標(biāo)函數(shù)。綜上所述，本文提出的新的目標(biāo)函數(shù)即兩框的交集與包含兩框的最小框之比與真實(shí)框和預(yù)測(cè)框的幾何中心點(diǎn)之間的歐氏距離之和的目標(biāo)函數(shù)。

在實(shí)驗(yàn)中將分別采用自然場(chǎng)景下的口罩佩戴數(shù)據(jù)集和VOC2007數(shù)據(jù)集對(duì)改進(jìn)的SSD算法進(jìn)行訓(xùn)練和評(píng)估。采用的口罩佩戴數(shù)據(jù)集從互聯(lián)網(wǎng)上進(jìn)行搜索和獲取，分為戴口罩和沒(méi)有戴口罩兩大類(lèi)，并對(duì)采集到的圖片打上標(biāo)簽和標(biāo)記出真實(shí)框。VOC2007數(shù)據(jù)集是目標(biāo)檢測(cè)中常用的數(shù)據(jù)集，該數(shù)據(jù)集標(biāo)注了人、車(chē)和椅子等20類(lèi)常見(jiàn)的物體，通過(guò)對(duì)預(yù)測(cè)結(jié)果的分析可以評(píng)判一個(gè)目標(biāo)檢測(cè)算法的優(yōu)劣。

在相同實(shí)驗(yàn)環(huán)境中運(yùn)行SDD算法的代碼和改進(jìn)SSD算法的代碼，輸入口罩佩戴數(shù)據(jù)集和VOC2007數(shù)據(jù)集，輸出預(yù)測(cè)框和對(duì)應(yīng)的類(lèi)別，計(jì)算mAP-50。

實(shí)驗(yàn)表明，改進(jìn)的SSD算法較SSD算法在口罩佩戴數(shù)據(jù)集上mAP-50提高了1.96%，在VOC2007數(shù)據(jù)集上mAP-50提高了1.97%。

2 相關(guān)工作

本章節(jié)對(duì)IoU、SSD算法進(jìn)行詳細(xì)介紹

2.1 IoU

IoU是一種評(píng)價(jià)目標(biāo)檢測(cè)器的一種指標(biāo)。圖三中介紹了矩形A、B與包含A、B的最小框C。

圖1 矩形A、B與包含A、B的最小框C

對(duì)于真實(shí)框和通過(guò)目標(biāo)檢測(cè)算法所的出來(lái)的預(yù)測(cè)框，需要用IoU這個(gè)指標(biāo)對(duì)真實(shí)框和預(yù)測(cè)款進(jìn)行判斷，IoU是一個(gè)比值關(guān)系，即兩框的交集與兩框的并集的比值，公式如下

(1)

對(duì)于檢測(cè)框的擬合實(shí)際上是一種回歸任務(wù)，和分類(lèi)任務(wù)不同的是，預(yù)測(cè)框和真實(shí)框需要進(jìn)行坐標(biāo)的匹配，而坐標(biāo)的完全匹配是不可靠的，因此IoU作為一種評(píng)價(jià)坐標(biāo)擬合的指標(biāo)，可以獎(jiǎng)勵(lì)那些擬合程度較好的IoU框。同時(shí)IoU還有一個(gè)很好的特性就是尺度不變性，即對(duì)尺度不敏感，預(yù)測(cè)框和真實(shí)框的關(guān)系在不同尺度具有不變的特性。相比于smoothL1 Loss，IoU可以反映預(yù)測(cè)框和真實(shí)框的重合程度，如圖2所示，不同的預(yù)測(cè)框和真實(shí)框計(jì)算得到的smoothL1 Loss的值一致，IoU卻有著差異，這會(huì)預(yù)測(cè)出在檢測(cè)口罩佩戴上產(chǎn)生截取不完整的情況。但I(xiàn)oU也有這自己的局限性，即并不能很好的反映兩個(gè)物體是以怎樣的方式相交的，如圖3 所示，IoU相差很小，但圖3中兩幅圖反映的真實(shí)框和預(yù)測(cè)框相交方式卻有所差別，用IoU并不能很好的對(duì)真實(shí)框進(jìn)行預(yù)測(cè)。若把IoU作為目標(biāo)函數(shù)進(jìn)行優(yōu)化，也會(huì)伴隨著其它問(wèn)題，例如兩個(gè)框沒(méi)有相交的情況下，根據(jù)定義IoU的值為0，這時(shí)沒(méi)有梯度回傳，無(wú)法進(jìn)行學(xué)習(xí)訓(xùn)練。用IoU作為目標(biāo)函數(shù)也就無(wú)法衡量預(yù)測(cè)框與真實(shí)框是否相鄰或者很遠(yuǎn)。

圖2 smoothL1損失相同時(shí)IoU的表現(xiàn)

圖3 IoU近似真實(shí)框和預(yù)測(cè)框相交情況

2.2 SSD算法

SSD算法是單階段檢測(cè)框架的具有代表性的算法，骨干網(wǎng)絡(luò)采用了VGG網(wǎng)絡(luò)進(jìn)行搭建，VGG[13]網(wǎng)絡(luò)是由牛津大學(xué)計(jì)算機(jī)視覺(jué)組和谷歌旗下的團(tuán)隊(duì)共同提出的，在2014年ImageNet競(jìng)賽中獲得了第二名的成績(jī)。VGG網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)潔，泛化能力強(qiáng)便于作為其它網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)，其采用了小卷積核和多卷積子層，能夠有效的減少參數(shù)的數(shù)量，增強(qiáng)非線性映射并提高網(wǎng)絡(luò)的表達(dá)能力。SSD算法同時(shí)借鑒了Faster RCNN和YOLO的思想，將通過(guò)骨干網(wǎng)絡(luò)的特征圖分割成SxS的大小的defaUlt box，在每個(gè)default box上引進(jìn)anchor機(jī)制，即通過(guò)在每個(gè)default box上加入不同尺度和大小的錨框來(lái)擬合對(duì)應(yīng)在該default box的真實(shí)框，此舉是為了讓偏差都可以分布在很小的范圍內(nèi)，防止直接擬合帶來(lái)的退化問(wèn)題。為了提高小目標(biāo)檢測(cè)的魯棒性，SSD加入了多尺度特征圖[14]，即在不同尺寸的特征圖上進(jìn)行分類(lèi)和回歸，該策略充分的利用了從骨干網(wǎng)絡(luò)中采集到的語(yǔ)義信息，SSD的結(jié)構(gòu)如圖4所示。

圖4 SSD結(jié)構(gòu)圖

SSD算法在對(duì)bounding box進(jìn)行預(yù)測(cè)的時(shí)候采用了smooth L1損失，對(duì)于置信度誤差，采用了softmax loss，SSD的損失函數(shù)如下公式所示，其中N表示先驗(yàn)框正樣本的數(shù)量，x表示某個(gè)先驗(yàn)框和真實(shí)框是否匹配，c表示置信度，l表示先驗(yàn)框?qū)?yīng)的邊界的預(yù)測(cè)值，而g代表的是真實(shí)框的位置參數(shù)。用非極大值抑制(NMS)對(duì)預(yù)測(cè)結(jié)果進(jìn)行篩選，去除類(lèi)別一致且高度重合的框，這樣大大減少了計(jì)算量，在滿(mǎn)足不損失精度的情況下，能滿(mǎn)足實(shí)時(shí)性的要求。

(2)

3 改進(jìn)SSD

3.1 EIoU

結(jié)合上文所敘述的用IoU作為目標(biāo)函數(shù)所存在的問(wèn)題，可以發(fā)現(xiàn)導(dǎo)致這些問(wèn)題的原因可能是對(duì)于重疊區(qū)域和非重疊區(qū)域的關(guān)注，而忽略了包含預(yù)測(cè)框和真實(shí)框的區(qū)域和預(yù)測(cè)框和真實(shí)框的幾何距離。

因此本文提出了一種兼顧包含預(yù)測(cè)框和真實(shí)框的區(qū)域和預(yù)測(cè)框和真實(shí)框的幾何距離的計(jì)算方法，公式如下

(3)

其中，公式的前一項(xiàng)關(guān)注的是預(yù)測(cè)框和真實(shí)框交集與包含預(yù)測(cè)框和真實(shí)框的最小區(qū)域，滿(mǎn)足了對(duì)包含預(yù)測(cè)框和真實(shí)框的區(qū)域的要求，公式的后一項(xiàng)中關(guān)注預(yù)測(cè)框和真實(shí)框的幾何距離，p表示預(yù)測(cè)框中心點(diǎn)的坐標(biāo)值，pgt表示真實(shí)框中心點(diǎn)的坐標(biāo)值，ρ2代表對(duì)預(yù)測(cè)框和真實(shí)框取歐式距離，其中τ∈(0，1)，當(dāng)|A∩B|取0時(shí)，τ取1，這時(shí)EIoU就退化成計(jì)算預(yù)測(cè)框和真實(shí)框的歐氏距離的公式，當(dāng)|A∩B|不為0時(shí)，τ取0這時(shí)，EIoU計(jì)算預(yù)測(cè)框和真實(shí)框交集與包含預(yù)測(cè)框和真實(shí)框的最小區(qū)域的比值。通過(guò)公式可知，在|A∩B|不為0的情況下，EIoU可以隨預(yù)測(cè)框和真實(shí)框的重疊區(qū)域增大而增大，隨包含預(yù)測(cè)框和真實(shí)框的區(qū)域增大而減小。這一公式可以滿(mǎn)足對(duì)SSD的改進(jìn)目標(biāo)。

EIoU與IoU都可以反映預(yù)測(cè)框與真實(shí)框的擬合程度，EIoU計(jì)算復(fù)雜度和IoU幾乎相當(dāng)，但EIoU可以計(jì)算預(yù)測(cè)框與真實(shí)框交集為0的情況。

3.2 新的目標(biāo)函數(shù)

SSD算法中對(duì)預(yù)測(cè)框的坐標(biāo)進(jìn)行僅僅進(jìn)行了smooth L1的計(jì)算，這種情況下會(huì)導(dǎo)致如引言部分所敘述的smooth L1 值一樣的情況下IoU的值卻有著不同，導(dǎo)致這種情況發(fā)生的是由于評(píng)價(jià)指標(biāo)和目標(biāo)函數(shù)的不統(tǒng)一。因此本文提出新的SSD的目標(biāo)函數(shù)，成為原目標(biāo)函數(shù)的約束函數(shù)，該函數(shù)在原有SSD目標(biāo)函數(shù)的基礎(chǔ)上只針對(duì)定位損失進(jìn)行優(yōu)化，對(duì)于置信度損失保持原樣，具體公式如下。

Lloc(x，l，g)

(4)

4 實(shí)驗(yàn)結(jié)果分析

本文通過(guò)使用在SSD網(wǎng)絡(luò)基礎(chǔ)上修改了原損失函數(shù)和IoU評(píng)價(jià)指標(biāo)為EIoU來(lái)進(jìn)行模型的訓(xùn)練。在互聯(lián)網(wǎng)上下載SSD的預(yù)訓(xùn)練模型權(quán)重進(jìn)行遷移學(xué)習(xí)。分別使用SSD和改進(jìn)SSD在同一實(shí)驗(yàn)環(huán)境下進(jìn)行模型的訓(xùn)練。

為保證實(shí)驗(yàn)具有普遍性，本文將采用訓(xùn)練每個(gè)算法時(shí)保存的Loss值較低的四個(gè)模型，在四個(gè)模型中分別計(jì)算mAP-50的值，再?gòu)倪@些值中選出最優(yōu)模型進(jìn)行對(duì)比。

此次實(shí)驗(yàn)設(shè)備信息為：CPU i5 9300H，GPU RTX2060，內(nèi)存 32GB，操作系統(tǒng)為Windows 10 Pro，應(yīng)用的深度學(xué)習(xí)框架為pytorch，采用的數(shù)據(jù)集分別為自制的口罩?jǐn)?shù)據(jù)集和VOC2007數(shù)據(jù)集。

4.1 口罩佩戴檢測(cè)實(shí)驗(yàn)

4.1.1 口罩?jǐn)?shù)據(jù)集采集

從互聯(lián)網(wǎng)上爬取相關(guān)視頻，對(duì)視頻進(jìn)行按照時(shí)間段逐幀采集圖像，之后保存為.jpg格式的圖片。用labelImg對(duì)圖片中的人物是否帶口罩分別進(jìn)行類(lèi)別標(biāo)注和真實(shí)框標(biāo)注，最后得到關(guān)于口罩?jǐn)?shù)據(jù)集的jpg文件和xml文件。

圖5 標(biāo)注佩戴口罩的labelimg軟件

4.1.2 口罩佩戴檢測(cè)實(shí)驗(yàn)

在整個(gè)口罩?jǐn)?shù)據(jù)集中，戴口罩和未戴口罩的具體數(shù)據(jù)下表所示。在進(jìn)行訓(xùn)練之前對(duì)輸入模型的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，例如增強(qiáng)、降低亮度對(duì)比度，圖片尺度變化，色域扭轉(zhuǎn)等方式，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理可以有效的提高網(wǎng)絡(luò)的魯棒性和泛化能力，對(duì)在自然場(chǎng)景中的口罩佩戴識(shí)別更為精確。

表1 口罩?jǐn)?shù)據(jù)集信息

模型訓(xùn)練中將初始學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練輪數(shù)為30輪，每輪訓(xùn)練為791次，每次迭代的batch size為16，一共迭代23730次，每次。觀察SSD與改進(jìn)SSD的損失值，如下圖所示，上邊為改進(jìn)SSD下邊為原版SSD。

圖6 改進(jìn)SSD Loss值變化和原版SSD Loss變化

通過(guò)Loss值對(duì)比發(fā)現(xiàn)，改進(jìn)SSD算法的定位損失從剛開(kāi)始就已經(jīng)趨于穩(wěn)定了，而置信度損失在前十輪中下降較快，后二十輪趨于緩慢，而原版SSD算法的定位損失和置信度損失下降在前二十輪中下降較快，后十輪中趨于緩慢。

4.1.3 口罩佩戴檢測(cè)實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)結(jié)果采用的是AP50以及mAP作為評(píng)價(jià)標(biāo)準(zhǔn)，將得到的四個(gè)較優(yōu)模型進(jìn)行計(jì)算，選出其中mAP最高值進(jìn)行SSD算法和改進(jìn)SSD算法的對(duì)比。

口罩佩戴檢測(cè)實(shí)驗(yàn)結(jié)果的AP50和mA-50的具體數(shù)據(jù)如下表所示。

表2 口罩佩戴數(shù)據(jù)集的類(lèi)別AP和mAP-50

從測(cè)試集中隨機(jī)抽取兩張圖片輸入改進(jìn)SSD網(wǎng)絡(luò)，用訓(xùn)練好的權(quán)重進(jìn)行預(yù)測(cè)，置信度設(shè)為0.5，NMS的閾值設(shè)為0.45。檢測(cè)結(jié)果如圖7所示。

4.2 VOC2007數(shù)據(jù)集實(shí)驗(yàn)

仿照口罩佩戴檢測(cè)實(shí)驗(yàn)，將口罩佩戴數(shù)據(jù)集更改為VOC2007數(shù)據(jù)集，在相同設(shè)備實(shí)驗(yàn)環(huán)境下分別對(duì)SSD算法和改進(jìn)SSD算法進(jìn)行訓(xùn)練，對(duì)四個(gè)較低的Loss的權(quán)重進(jìn)行mAP評(píng)估，得到最優(yōu)的mAP值的模型。

VOC2007數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果的AP50和mAP-50的具體數(shù)據(jù)如下表所示。

表3 VOC2007數(shù)據(jù)集的類(lèi)別AP

表4 VOC2007數(shù)據(jù)集的類(lèi)別AP

表5 VOC2007數(shù)據(jù)集的mAP

4.3 實(shí)驗(yàn)結(jié)果分析

圖7 口罩佩戴檢測(cè)實(shí)驗(yàn)樣例

由圖6可見(jiàn)SSD算法和改進(jìn)SSD算法的定位損失，置信度損失和總損失?？梢园l(fā)現(xiàn)改進(jìn)SSD算法的定位損失較SSD算法的在收斂速度上快于SSD算法，因此本文推測(cè)原因有兩個(gè)，一是目標(biāo)函數(shù)和評(píng)價(jià)指標(biāo)的統(tǒng)一會(huì)讓損失函數(shù)的收斂速度變快，二是由于采用了預(yù)測(cè)框和真實(shí)框的中心點(diǎn)的歐式距離這一思想，使得在網(wǎng)絡(luò)剛開(kāi)始訓(xùn)練的時(shí)候可以讓預(yù)測(cè)框和真實(shí)框沒(méi)有交集的情況下快速收斂。另外，改進(jìn)SSD算法的置信度損失也較SSD算法收斂較快，本文推測(cè)是由于采用EIoU思想產(chǎn)生的預(yù)測(cè)框的與真實(shí)框更好的擬合導(dǎo)致目標(biāo)可以在預(yù)測(cè)框中被分類(lèi)，所以置信度會(huì)收斂較快。

從表2中可知改進(jìn)SSD算法的口罩佩戴數(shù)據(jù)集的mAP-50較 SSD算法提高1.96%。雖然未佩戴口罩的檢測(cè)的mAP略低于SSD算法0.53%，但戴口罩的檢測(cè)的mAP-50高于SSD算法4.84%，這對(duì)于口罩佩戴檢測(cè)的效果提升有明顯幫助。

從圖7的第一幅圖中可以看出對(duì)于不同型號(hào)的口罩改進(jìn)SSD算法都能準(zhǔn)確識(shí)別，本文推測(cè)原因是在數(shù)據(jù)預(yù)處理時(shí)對(duì)圖片進(jìn)行增強(qiáng)、降低亮度對(duì)比度等方式，且對(duì)于分辨率不高的目標(biāo)，即第一幅圖的從左往右的第一個(gè)目標(biāo)和第三個(gè)目標(biāo)，改進(jìn)SSD算法都能準(zhǔn)確識(shí)別，本文推測(cè)可能是采用了多尺度特征圖，這豐富了目標(biāo)的語(yǔ)義信息，可以使網(wǎng)絡(luò)學(xué)習(xí)到更魯棒的特征。

從表3、4、5可以看出對(duì)于VOC2007數(shù)據(jù)集，改進(jìn)SSD算法較SSD算法提高了1.97%的mAP-50。同時(shí)可以發(fā)現(xiàn)對(duì)于大物體，改進(jìn)SSD算法會(huì)優(yōu)于SSD算法，而小物體SSD算法會(huì)優(yōu)于改進(jìn)SSD算法。本文推測(cè)是由于采用了EIoU的策略，使網(wǎng)絡(luò)關(guān)注包含預(yù)測(cè)框和真實(shí)框的最小框，對(duì)于小物體而言，若回歸產(chǎn)生的坐標(biāo)稍大一點(diǎn)，可能分類(lèi)網(wǎng)絡(luò)就很難檢測(cè)到目標(biāo)，而這對(duì)于定位損失來(lái)說(shuō)是由于是小物體所產(chǎn)生的數(shù)值不會(huì)太大，但對(duì)于置信度損失來(lái)說(shuō)，就可能產(chǎn)生較大的數(shù)值，反映到最后的mAP上就是小物體檢測(cè)效果不佳。

5 總結(jié)

本文首先發(fā)現(xiàn)對(duì)于SSD現(xiàn)有的損失函數(shù)計(jì)算是簡(jiǎn)單的對(duì)坐標(biāo)進(jìn)行smooth L1計(jì)算，這種計(jì)算方法不能能好的描述物體的重合情況，若把 IoU作為目標(biāo)函數(shù)進(jìn)行優(yōu)化的情況，也存在著無(wú)法衡量預(yù)測(cè)框與真實(shí)框的相交方式。因此本文提出了用EIoU作為目標(biāo)函數(shù)進(jìn)行優(yōu)化的策略，不僅讓評(píng)價(jià)指標(biāo)和損失函數(shù)統(tǒng)一，也對(duì)預(yù)測(cè)框和真實(shí)框的相交方式有了較好的反映。在損失函數(shù)收斂上采用EIoU的改進(jìn)SSD算法有著更快的收斂速度，且在口罩佩戴數(shù)據(jù)集和VOC2007數(shù)據(jù)集中mAP也高于原本的SSD算法。該算法訓(xùn)練出來(lái)的口罩佩戴檢測(cè)在當(dāng)前疫情情況下有較高應(yīng)用價(jià)值，未來(lái)希望將能將繼續(xù)優(yōu)化改進(jìn)SSD算法，使口罩佩戴檢測(cè)模型精度更高，更希望疫情能早日過(guò)去。