亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        注意力機(jī)制優(yōu)化SSD的戴口罩人臉快速檢測(cè)研究

        2023-08-26 04:57:20蘇海濤張守棋
        電腦知識(shí)與技術(shù) 2023年19期
        關(guān)鍵詞:圖層人臉口罩

        蘇海濤 張守棋

        關(guān)鍵詞: DynaNet-SSD;SE注意力機(jī)制;小目標(biāo)檢測(cè);人臉檢測(cè);Focal Loss;Mosaic

        0 引言

        新冠疫情感染期間,佩戴口罩成了一種常態(tài)化的現(xiàn)象??谡殖蔀轭A(yù)防呼吸道傳染病的一道防線,可以降低新型冠狀病毒感染風(fēng)險(xiǎn)。因此,采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)人是否佩戴口罩的檢測(cè)[1]具有重要的研究應(yīng)用價(jià)值。

        目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)和圖像處理中一個(gè)重要的研究領(lǐng)域。隨著大數(shù)據(jù)時(shí)代的到來(lái),基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法成了研究熱點(diǎn),雖然檢測(cè)精度遠(yuǎn)超過(guò)傳統(tǒng)的方法,但是仍然無(wú)法同時(shí)滿足對(duì)于實(shí)時(shí)性和準(zhǔn)確性的要求。

        而戴口罩人臉檢測(cè)實(shí)際上屬于人臉檢測(cè)與圖像分類[2]問(wèn)題,即使用目標(biāo)檢測(cè)網(wǎng)絡(luò)配合圖像分類網(wǎng)絡(luò),首先確定人的面部位置,然后將圖像分類為未佩戴口罩、已佩戴口罩兩種情況。同時(shí),口罩?jǐn)?shù)據(jù)集較少、佩戴口罩的場(chǎng)景多樣化、對(duì)模型運(yùn)行速度的要求等情況,也成為口罩人臉檢測(cè)中必須考慮的問(wèn)題。

        1 相關(guān)工作

        隨著大數(shù)據(jù)的出現(xiàn),計(jì)算機(jī)硬件性能穩(wěn)步增強(qiáng),人們對(duì)于目標(biāo)檢測(cè)算法的實(shí)時(shí)性和準(zhǔn)確性有了更高的要求,對(duì)應(yīng)的,逐漸加深網(wǎng)絡(luò)的深度,加大網(wǎng)絡(luò)的寬度,模型復(fù)雜度也隨之增高,人們對(duì)于計(jì)算能力的要求越來(lái)越高,加大了訓(xùn)練的難度和時(shí)間的消耗。保證網(wǎng)絡(luò)性能的前提下減少網(wǎng)絡(luò)參數(shù),壓縮網(wǎng)絡(luò)模型也成了目標(biāo)檢測(cè)任務(wù)中的一個(gè)方向。

        MobileNet-SSD[3]算法是將SSD算法中的VGG16[4]特征提取網(wǎng)絡(luò)替換為MobileNet特征提取網(wǎng)絡(luò)而建立的算法。在沒(méi)有減少準(zhǔn)確率的情況下,適當(dāng)減少了網(wǎng)絡(luò)參數(shù),綜合了準(zhǔn)確率與速度兩個(gè)指標(biāo)。

        目前,基于MobileNet-SSD目標(biāo)檢測(cè)模型相關(guān)文獻(xiàn)多是針對(duì)特定領(lǐng)域當(dāng)中的單個(gè)類別中單一目標(biāo)提升檢測(cè)性能和識(shí)別效果,在復(fù)雜度較高的圖片中對(duì)于多類別多目標(biāo)的檢測(cè)研究相對(duì)較少,特別是針對(duì)小目標(biāo)的檢測(cè)[5]仍然具有一定的研究?jī)r(jià)值。

        為了平衡網(wǎng)絡(luò)模型的大小和檢測(cè)速度,輕量級(jí)網(wǎng)絡(luò)MobileNet 結(jié)合SSD 框架可以實(shí)現(xiàn)快速的目標(biāo)檢測(cè),MobileNet-SSD能夠有效地對(duì)網(wǎng)絡(luò)模型的大小進(jìn)行壓縮,并提高檢測(cè)速度。但其在戴口罩人臉檢測(cè)上存在以下問(wèn)題:

        1) 小目標(biāo)戴口罩圖片中,戴口罩人臉檢測(cè)不全,即召回率偏低。

        2) 小目標(biāo)戴口罩圖片中,個(gè)別人臉模糊不清,導(dǎo)致準(zhǔn)確率偏低。

        本文修改MobileNet-SSD的基礎(chǔ)網(wǎng)絡(luò)模型,添加參數(shù)計(jì)算量小的注意力機(jī)制模塊,使用Mosaic數(shù)據(jù)增強(qiáng)算法擴(kuò)充小目標(biāo)數(shù)據(jù),使用Focal Loss[6]替換Soft? max Loss損失函數(shù),在沒(méi)有犧牲檢測(cè)時(shí)間的前提下,提高了戴口罩人臉檢測(cè)效率和識(shí)別準(zhǔn)確率。

        2 戴口罩人臉檢測(cè)相關(guān)技術(shù)分析

        2.1 SSD 網(wǎng)絡(luò)簡(jiǎn)介

        SSD算法[7]屬于區(qū)別于R-CNN的[8]one-stage(訓(xùn)練單個(gè)網(wǎng)絡(luò))多框預(yù)測(cè)方法。取決于SSD多尺度特征映射特點(diǎn),SSD 算法采取了不同尺度的特征圖進(jìn)行檢測(cè),并設(shè)置了不同尺度以及不同寬高比的先驗(yàn)框(an? fcahuelrt bbooxx))[。9]對(duì)然其后進(jìn)將行這預(yù)測(cè)些,候得選到框多通個(gè)過(guò)不同非的極候大選值框抑(d制e?(NMS)[10]方法,得到最終類別和最終位置。

        相比于Faster R-CNN[11]和YOLO[12]等目標(biāo)檢測(cè)模型,SSD結(jié)合了YOLO算法的回歸思想,并將全連接層以金字塔網(wǎng)絡(luò)進(jìn)行替代,從而提取到更多特征,同時(shí)又借鑒了FasterR-CNN中的anchor機(jī)制,設(shè)置了不同長(zhǎng)寬比的先驗(yàn)框, 在復(fù)雜場(chǎng)景下多目標(biāo)的情況下,多數(shù)修改基礎(chǔ)網(wǎng)絡(luò)形成新SSD算法,小目標(biāo)檢測(cè)性能優(yōu)于YOLOv3[13]和FasterR-CNN,又基于MobileNet 網(wǎng)絡(luò)參數(shù)小的特點(diǎn),在檢測(cè)時(shí)間方面檢測(cè)速度相比于Reti? naNet[14]和YOLO V5[15]更快。

        2.2 SSD 多尺度映射

        SSD采用特征金字塔結(jié)構(gòu)[16],具有多尺度特征映射的特點(diǎn),對(duì)任意的一幅圖片均通過(guò)卷積,生成不同尺度的特征圖層進(jìn)行預(yù)測(cè),如圖1:

        (a)只對(duì)最后特征圖層輸出的特征信息進(jìn)行預(yù)測(cè),圖(b)對(duì)不同尺度的特征圖層進(jìn)行預(yù)測(cè)。

        2.3 MobileNet-SSD

        MobileNet-SSD[17]是在SSD網(wǎng)絡(luò)基礎(chǔ)上,使用輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNet 替換SSD 中的VGG16 網(wǎng)絡(luò)。

        MobileNet-SSD的工作過(guò)程如下:采用特征金字塔思想獲取6個(gè)卷積層的特征信息,用來(lái)進(jìn)行多尺度多目標(biāo)的目標(biāo)檢測(cè),最后進(jìn)行目標(biāo)分類和候選框回歸。

        事實(shí)上,MobileNet-SSD 網(wǎng)絡(luò)模型用來(lái)做目標(biāo)檢測(cè)的6層特征圖分別為:Conv11(F-map1) 、Conv13(F- map2) 、Conv14_2(F-map3) 、Conv15_2(F-map4) 、Conv16_2(F-map5) 、Conv17_2(F-map6) 。對(duì)應(yīng)大小分別為19×19×512、10×10×1024、5×5×512、3×3×256、2× 2×256和1×1×128(用F-map來(lái)表示某一特征圖)。

        在MobileNet-SSD網(wǎng)絡(luò)中,小物體只有在低位特征圖層中特征相對(duì)明顯,在高位特征圖層中經(jīng)過(guò)卷積,特征信息相比低位特征圖層少,因此對(duì)于小目標(biāo)檢測(cè)效果較差。

        3 DynaNet-SSD 算法的設(shè)計(jì)及實(shí)現(xiàn)

        MobileNet-SSD算法的基礎(chǔ)上修改,在數(shù)據(jù)集方面,通過(guò)添加Mosaic數(shù)據(jù)增強(qiáng)算法[18]擴(kuò)充數(shù)據(jù),使數(shù)據(jù)集中包含更多小目標(biāo)戴口罩人臉圖片。

        網(wǎng)絡(luò)結(jié)構(gòu)方面,在保留MobileNet的深度可分離卷積的前提下通過(guò)修改Conv5和 Conv12為1×1的卷積核,整體修改MobileNet網(wǎng)絡(luò)結(jié)構(gòu),形成新網(wǎng)絡(luò)Dy? naNet,DynaNet包含更多感受野小的特征圖層,以及相比于MobileNet更少的參數(shù),并通過(guò)感受野小的特征圖層進(jìn)行預(yù)測(cè)。

        同時(shí)在Conv5層之后添加一個(gè)通道注意力模塊,即SE模塊,SE模塊使用全連接層計(jì)算量相比于增加一個(gè)卷積層更小,同時(shí)SE模塊添加在已有的網(wǎng)絡(luò)上并不會(huì)打亂網(wǎng)絡(luò)原有的主體結(jié)構(gòu)。

        在損失函數(shù)方面,本文選取Focal Loss二分類類別損失函數(shù)代替原網(wǎng)絡(luò)中Softmax千分類損失函數(shù),通過(guò)減少負(fù)樣本的權(quán)重,將損失函數(shù)聚焦于正樣本中難分辨的類別。最后形成新的DynaNet-SSD算法。

        3.1 Mosaic 數(shù)據(jù)增強(qiáng)算法

        Mosaic數(shù)據(jù)增強(qiáng)算法,是一種針對(duì)于小物體檢測(cè)的數(shù)據(jù)增強(qiáng)算法。Mosaic數(shù)據(jù)增強(qiáng)參考了CutMix數(shù)據(jù)增強(qiáng)方式[19],理論上具有一定的相似性。CutMix數(shù)據(jù)增強(qiáng)方式利用兩張圖片進(jìn)行拼接,但是Mosaic利用了4張圖片,極大地豐富了檢測(cè)物體的背景。

        實(shí)現(xiàn)思路:先選取4張圖片,分別對(duì)4張圖片進(jìn)行隨機(jī)翻轉(zhuǎn)、縮放等,最后按照4個(gè)方向拼接到一起。Mosaic流程可視化圖如圖2所示:

        通過(guò)Mosaic數(shù)據(jù)增強(qiáng)算法拼接圖片增強(qiáng)了數(shù)據(jù)集,也把原來(lái)大型和較大型的物體縮放縮小組合,使得數(shù)據(jù)集中的小物體增多,提高了算法檢測(cè)小物體的精度,如圖3所示:

        3.2 DynaNet-SSD 特征提取網(wǎng)絡(luò)

        考慮戴口罩人臉檢測(cè)場(chǎng)景,圖片中的人臉相距較遠(yuǎn),人臉占比例較小,屬于小目標(biāo)戴口罩圖片(人臉占比小于15%)。本文提出的DynaNet-SSD為了能夠提高小目標(biāo)戴口罩人臉準(zhǔn)確率和召回率,選取特征信息更多和感受野更小的特征圖層進(jìn)行候選框的預(yù)測(cè),并對(duì)候選框中的圖像進(jìn)行分類,即是否佩戴口罩的分類。

        MobileNet-SSD網(wǎng)絡(luò)結(jié)構(gòu)算法提取的特征圖層是F-map1、F-map2、F-map3、F-map4、F-map5、F-map6。檢測(cè)小目標(biāo)的特征圖層是F-map1特征圖層。

        鑒于38×38(F-map1的前一層)的特征圖在進(jìn)一步的卷積過(guò)程中會(huì)丟失局部特征信息,所以在設(shè)計(jì)DynaNet-SSD網(wǎng)絡(luò)結(jié)構(gòu)時(shí),提取38×38的特征圖層作為第一特征圖。

        DynaNet-SSD 沿用了MobileNet-SSD 的Conv1、Conv2、Conv3、Conv4圖層,在Conv4的基礎(chǔ)上修改卷積核的通道數(shù),卷積之后成為新的Conv5,即DynaNet- SSD將Conv5(38×38×512的特征圖層)作為其第一特征圖層(DF-map1即DynaNet的第一特征圖,以下均用DF-map表示DynaNet選取的特征圖),具體流程如圖5所示:

        DynaNet-SSD在Conv11層修改卷積核通道數(shù),卷積之后形成Conv12(19×19×1 024的特征圖層),作為Dmyanpa2N) 。et-SSD 網(wǎng)絡(luò)提取的第二個(gè)特征圖層(DF-在Conv12之后的特征圖層中,用3×3的卷積核和(1D×F1-的ma卷p3積) 核、進(jìn)Co行nv標(biāo)15_準(zhǔn)2(卷DF積-m,a選p4取) 其、中Co的nv1C6o_n2v(1D4F_-2 map5) 這三層作為特征提取層,特征圖層的大小分別為10×10×512、5×5×256、3×3×256。DynaNet-SSD提取的特征圖層相比于MobileNet-SSD提取的特征圖層,包含更多小比例人臉特征信息。

        SSD算法提取大物體特征明顯,在最高位特征圖層中檢測(cè)效果較好,在實(shí)際的應(yīng)用中幾乎不會(huì)出現(xiàn)大物體漏檢錯(cuò)檢的情況。所以DynaNet-SSD網(wǎng)絡(luò)選取Conv17-2(1×1的特征圖層,即DF-map6) 作為最后一個(gè)特征圖。

        3.3 添加SE 注意力機(jī)制

        在第一特征圖層后,即 Conv5 層之后添加 SE (squeeze-and-excatation) 模塊,由于第一特征圖層存在小目標(biāo)信息較多,通過(guò)SE模塊更好地提取小目標(biāo)人臉邊界信息,防止卷積過(guò)程中有效信息的丟失,同時(shí)SE 模塊參數(shù)量相較于其他注意力機(jī)制更少,在不損害檢測(cè)時(shí)間的情況下,提高小目標(biāo)人臉的檢測(cè)準(zhǔn)確率。

        最后是scale操作,在得到1×1×C向量之后,就可以對(duì)原來(lái)的特征圖進(jìn)行scale操作了。很簡(jiǎn)單,就是通道權(quán)重相乘,原有特征向量為W×H×C,將SE模塊計(jì)算出來(lái)的各通道權(quán)重值分別和原特征圖對(duì)應(yīng)通道的二維矩陣相乘,得出的結(jié)果輸出。

        總體來(lái)說(shuō),SE模塊會(huì)增加網(wǎng)絡(luò)的總參數(shù)量、總計(jì)算量,因?yàn)槭褂玫氖侨B接層計(jì)算量相比卷積層更小,但是總參數(shù)量會(huì)有所上升。

        3.4 MobileNet-SSD 和DynaNet-SSD 網(wǎng)絡(luò)結(jié)構(gòu)比較

        DynaNet-SSD 整體結(jié)構(gòu)對(duì)比圖如圖6 和圖7 所示:其中,Conv14 層之前都進(jìn)行深度可分離卷積,Conv14層之后進(jìn)行標(biāo)準(zhǔn)卷積。

        38×5D12y,na相N比et-于SSDMo選bi取leN的et第-S一SD特的征第圖一層特C征onv圖5層是1398×× 19×512包含更多的特征信息;第二特征圖層Conv12 是19×19×1 024相比于MobileNet-SSD的第二特征圖層10×10×1 024包含更多特征信息;第三特征圖層至第六特征圖層都是大感受野圖層,在小物體方面并沒(méi)有很大的提升。

        以上闡述了相對(duì)于MobileNet-SSD的改進(jìn)思路,為了更直觀地分析兩種算法的結(jié)構(gòu),制作了兩種不同算法的網(wǎng)絡(luò)架構(gòu)圖。

        3.5 Focal Loss 損失

        目標(biāo)檢測(cè)損失函數(shù)包含兩方面損失,分別是位置信息損失與類別信息損失(戴口罩或不戴口罩兩類)。

        MobileNet-SSD 的位置損失采用L1 距離度量的Smooth Ll Loss策略[20],見(jiàn)公式(4) ,其中,xp ij log2 (c?pi)是預(yù)測(cè)框i 與真實(shí)框j 關(guān)于類別p 是否匹配,若p 的概率預(yù)測(cè)越高,損失越小,類別的概率公式具體參考公式(1)。

        類別置信度(即機(jī)器得到不同類別的分?jǐn)?shù))采用Softmax Loss損失函數(shù)[21],見(jiàn)公式(3) ,MobileNet總體置信度按照1:α 的加權(quán)求得,見(jiàn)公式(2),α 默認(rèn)值為1,x作為自變量傳入函數(shù),c 代表置信度,l 代表預(yù)測(cè)框,g代表真實(shí)框,α 表示權(quán)重,表示匹配候選框數(shù)量為N,lmi和g?mj分別表示預(yù)測(cè)框和真實(shí)框。損失值計(jì)算包含以下三部分:

        但類別損失方面,由于添加Mosaic數(shù)據(jù)增強(qiáng)算法,數(shù)據(jù)集擴(kuò)充了小目標(biāo)戴口罩人臉圖片,但是也擴(kuò)充了大量的圖片背景(即負(fù)樣本),當(dāng)處理大量負(fù)樣本、少量正樣本的情況時(shí),即使把負(fù)樣本的權(quán)重設(shè)置得很低,但是因?yàn)樨?fù)樣本的數(shù)量太多,負(fù)樣本的損失函數(shù)也會(huì)主導(dǎo)損失函數(shù),因此本文選取Focal Loss[22]公式(7)代替Softmax Loss損失函數(shù),以戴不戴口罩二分類為主。

        Focal Loss不僅可以作用于正負(fù)樣本問(wèn)題,同樣也可作用于難以分辨樣本問(wèn)題,當(dāng)> 0時(shí), focal loss的損失小于標(biāo)準(zhǔn)交叉熵?fù)p失。pt 在趨向于0.5時(shí),損失函數(shù)最大,在趨向于0或1時(shí),損失函數(shù)最小,進(jìn)而更容易分辨難分辨樣本(置信度在0.5左右的樣本)。

        4 實(shí)驗(yàn)與結(jié)果分析

        模型訓(xùn)練環(huán)境為Window10,CPU R5 3600X,GPU NVIDIA GTX1660s,16G RAM,1T SSD ROM。

        按照8:2的比例劃分為訓(xùn)練集和驗(yàn)證集,訓(xùn)練模型輸入300×300像素的圖片7 952張,最大迭代次數(shù)為150次。學(xué)習(xí)率分階段遞減,初始學(xué)習(xí)率為1× 10^-4。

        訓(xùn)練過(guò)程LOSS 函數(shù)損失圖如圖8 所示,SMSoDbi用leN實(shí)e線t-S代SD替(用圖虛標(biāo)線中代k替er(as圖) 。標(biāo)中essay

        4.1 結(jié)果分析

        評(píng)價(jià)目標(biāo)檢測(cè)的指標(biāo)好壞為精確率(Precision)、召回 率 (Recall)、平 均 精 度 (Average-Precision,AP) 與 mean Average Precision(mAP)。

        精確率又涉及TP(true positive)、TN(true negative)、FP(false positive)、FN (false negative),其中positive 和tnievgea,t預(yù)ive測(cè)表為示負(fù)預(yù)類測(cè)則得為到ne的ga結(jié)tiv果e; ,tr預(yù)ue測(cè)和為fal正se類表則示為預(yù)測(cè)po的si?結(jié)果和真實(shí)結(jié)果是否相同,相同則是true,不同則為false。在本文中,TP是預(yù)測(cè)出的人臉中戴口罩的人臉個(gè)數(shù),F(xiàn)P對(duì)應(yīng)著不戴口罩的人臉個(gè)數(shù);FN為沒(méi)有預(yù)測(cè)到但實(shí)際有標(biāo)注的人臉中戴口罩的人臉個(gè)數(shù),F(xiàn)N就是沒(méi)有預(yù)測(cè)到但實(shí)際有標(biāo)注的人臉中不戴口罩的人臉個(gè)數(shù),如表1所示:

        (1) 精確度(Precision)。即查準(zhǔn)率,是模型判為正類且真實(shí)類別也是正類的概率,衡量一個(gè)分類器分出來(lái)的正確類的是正類的概率,計(jì)算公式:

        (2)召回率(Recall)。即查全率,是指模型判為正類且真實(shí)類別也是正類的圖像數(shù)量在真實(shí)類別是正類的圖像數(shù)量中的比率,衡量的是一個(gè)分類器能把所有的正類都找出來(lái)的能力,計(jì)算公式為:

        使用與訓(xùn)練集不相關(guān)的驗(yàn)證集,將DynaNet-SSD 算法與MobileNet-SSD網(wǎng)絡(luò)進(jìn)行對(duì)比。驗(yàn)證集包含1 223張圖片,是經(jīng)過(guò)特意挑選人臉占比小的圖片,個(gè)別圖片實(shí)例如圖9所示。

        對(duì)比MobileNet-SSD和DynaNet-SSD算法mAP值如圖10 所示,其中MobileNet-SSD 的mAP 值僅有40.48%,而DynaNet-SSD達(dá)到47.30%,mAP值提高了6.82%。

        在驗(yàn)證集上,檢測(cè)不戴口罩人臉識(shí)別準(zhǔn)確率和召回率如圖11所示,其中,MobileNet-SSD算法在不戴口罩人臉識(shí)別準(zhǔn)確率和召回率分別是80.9%和35.7%,而DynaNet-SSD算法在不戴口罩人臉識(shí)別準(zhǔn)確率和召回率分別是91.2%和36.4%,準(zhǔn)確率提高了10.3%,召回率提高了0.7%。

        在驗(yàn)證集上,檢測(cè)戴口罩人臉識(shí)別準(zhǔn)確率和召回率如圖12所示,其中,MobileNet-SSD算法在戴口罩人臉識(shí)別準(zhǔn)確率和召回率分別是84.8% 和34.8%,而DynaNet-SSD算法在戴口罩人臉識(shí)別準(zhǔn)確率和召回率分別是91.7%和39.1%,準(zhǔn)確率提高了6.9%,召回率提高了4.3%。

        從驗(yàn)證結(jié)果圖片可以看出,DynaNet-SSD算法在小目標(biāo)多目標(biāo)的檢測(cè)效率和識(shí)別效率強(qiáng)于MobileNe- SSD算法。

        在驗(yàn)證集上,檢測(cè)不戴口罩人臉AP值對(duì)比圖和戴口罩人臉AP 值對(duì)比圖如圖13 所示,其中,MobileNet-SSD算法在不戴口罩人臉AP值為42.7%,DynaNet-SSD 在不戴口罩人臉AP 值為49.4%,AP 值

        經(jīng)過(guò)在驗(yàn)證集上測(cè)試,DynaNet-SSD網(wǎng)絡(luò)在人臉占比小的圖片中,不論是戴口罩還是不戴口罩的檢測(cè)效果都要優(yōu)于MobileNet-SSD網(wǎng)絡(luò),更多實(shí)例結(jié)果如圖14所示。

        左側(cè)為MobileNet-SSD算法在圖片中的效果,右側(cè)為DynaNet-SSD算法在圖片中的效果。

        5 總結(jié)

        本文提出了DynaNet-SSD結(jié)構(gòu),針對(duì)在戴口罩人臉占比小的圖片中對(duì)小比例戴口罩人臉檢測(cè)效率不高,和小比例戴口罩人臉識(shí)別召回率偏低等問(wèn)題做出了改進(jìn),在不影響檢測(cè)速度的前提下,提高了召回率和準(zhǔn)確率。

        DynaNet-SSD 通過(guò)采用Mosaic 數(shù)據(jù)增強(qiáng)數(shù)據(jù)集中小比例戴口罩人臉的數(shù)量,選取不同的特征圖層,并修改卷積核改變了通道數(shù),同時(shí)增加了SE卷積注意力機(jī)制,修改使用Focal Loss 損失函數(shù),與MobileNet-SSD網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比,在開(kāi)源數(shù)據(jù)集上測(cè)試,分別從準(zhǔn)確率、召回率、AP、mAP值上作比較。實(shí)驗(yàn)證明,DynaNet相對(duì)于MobileNet-SSD,針對(duì)小目標(biāo)戴口罩人臉,檢測(cè)準(zhǔn)確率提高了6.9%、召回率提高了4.3%、AP值提高了7%、mAP值提高了6.82%。

        猜你喜歡
        圖層人臉口罩
        有特點(diǎn)的人臉
        戴口罩的苦與樂(lè)
        意林(2020年9期)2020-06-01 07:26:22
        因?yàn)橐粋€(gè)口罩,我決定離婚了
        海峽姐妹(2020年4期)2020-05-30 13:00:08
        霧霾口罩
        三國(guó)漫——人臉解鎖
        巧用混合圖層 制作抽象動(dòng)感森林
        要戴口罩的霧霾天
        圖層法在地理區(qū)域圖讀圖中的應(yīng)用
        馬面部與人臉相似度驚人
        長(zhǎng)得象人臉的十種動(dòng)物
        奇聞怪事(2014年5期)2014-05-13 21:43:01
        国产极品美女高潮抽搐免费网站| 国产亚洲成av人片在线观看| 亚洲av无码久久精品蜜桃| 成年男女免费视频网站| 操B小视频国产| 久久久熟女一区二区三区| 国产av无码国产av毛片| 亚洲av无码一区二区三区网站| 人人超碰人人爱超碰国产| 五十路丰满中年熟女中出| 国产免费一区二区三区在线观看| 777久久| 全国一区二区三区女厕偷拍| 加勒比hezyo黑人专区| 国产精品成人免费视频网站京东| www.五月激情| 国产高清一区二区三区三州| 香蕉免费一区二区三区| 国产欧美日韩视频一区二区三区| 一区二区三区不卡免费av| 亚洲av高清一区二区在线观看| 白丝兔女郎m开腿sm调教室| 日韩www视频| 色青青女同性恋视频日本熟女| 91伦理片视频国产精品久久久| 男女车车的车车网站w98免费| 国产在线视频国产永久视频| 亚洲少妇一区二区三区老| 国产97色在线 | 国产| 一本一本久久a久久精品综合麻豆| 无码AV午夜福利一区| 国产剧情av麻豆香蕉精品| 午夜毛片不卡免费观看视频 | 亚洲av无码乱码精品国产| 老司机在线精品视频网站| 综合久久久久6亚洲综合| 国产午夜免费啪视频观看| 日韩中文字幕免费视频| 国产精品亚洲A∨天堂| 蜜桃av在线播放视频| av国产传媒精品免费|