周 蕾，陳冠宇，鐘海蓮

(1.淮陰工學(xué)院計(jì)算機(jī)與軟件工程學(xué)院，江蘇 淮安 223003；2.淮陰工學(xué)院化學(xué)工程學(xué)院，江蘇 淮安 223003)

當(dāng)今全球傳染病流行趨勢(shì)上升，人們佩戴口罩已經(jīng)成為一種常見的行為，人們自覺(jué)佩戴好口罩可以有效保護(hù)自身健康安全，減少被病毒感染機(jī)會(huì)。目前，用于口罩自動(dòng)檢測(cè)的方法主要是淺層學(xué)習(xí)算法(如支持向量機(jī)和淺層神經(jīng)網(wǎng)絡(luò))和深度學(xué)習(xí)算法，淺層學(xué)習(xí)算法特征提取能力有限，對(duì)小目標(biāo)檢測(cè)精度低[1]?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方法是當(dāng)前研究的主流方法，主要分為一階段(one-stage)算法和兩階段(twostage)算法[2]。兩階段算法典型代表有R-CNN、Fast R-CNN、Faster R-CNN，具有準(zhǔn)確率高，檢測(cè)時(shí)間長(zhǎng)的特點(diǎn)；一階段算法的典型代表有YOLO 系列和SSD 算法，相比兩階段算法，雖然精度會(huì)受一點(diǎn)影響，但運(yùn)行速度快，可以滿足實(shí)際應(yīng)用需求。

目前口罩佩戴檢測(cè)算法在公共衛(wèi)生、安全、出行等方面應(yīng)用廣泛，且取得了較好的檢測(cè)效果。比如在公共場(chǎng)所、交通樞紐等人員聚集的地方，通過(guò)口罩檢測(cè)算法檢測(cè)出未佩戴口罩的人員，有助于加強(qiáng)疫情防控；在企事業(yè)單位、學(xué)校等場(chǎng)所，通過(guò)口罩檢測(cè)算法檢測(cè)出未佩戴口罩的人員，有助于管理人員進(jìn)出；在公共交通工具上，通過(guò)口罩檢測(cè)算法檢測(cè)出未佩戴口罩的乘客，有助于加強(qiáng)交通出行的安全保障。

1 相關(guān)工作

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是一種深度學(xué)習(xí)模型，它利用卷積運(yùn)算對(duì)輸入數(shù)據(jù)進(jìn)行過(guò)濾，可以提取與識(shí)別視覺(jué)特征，常用于計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域。目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)的一個(gè)重要任務(wù)，代表算法有:①R-CNN(Region-based Convolutional Neural Networks)系列算法[3]，通過(guò)先提取候選區(qū)域，然后對(duì)每個(gè)候選區(qū)域進(jìn)行分類和回歸來(lái)檢測(cè)圖像中的目標(biāo)；②SSD(Single Shot MultiBox Detector)算法[4]，使用一個(gè)單獨(dú)的深度神經(jīng)網(wǎng)絡(luò)模型來(lái)直接預(yù)測(cè)目標(biāo)的類別和位置，通過(guò)多層特征融合來(lái)檢測(cè)不同大小的目標(biāo)；③RetinaNet:通過(guò)引入Focal Loss 和ResNet 等技術(shù)，解決了在大規(guī)模目標(biāo)檢測(cè)任務(wù)中正負(fù)樣本不平衡的問(wèn)題，提高了檢測(cè)性能；④YOLO(You Only Look Once)系列算法[5]，使用一個(gè)單獨(dú)的深度神經(jīng)網(wǎng)絡(luò)模型來(lái)直接預(yù)測(cè)目標(biāo)的類別和位置。

目前有很多學(xué)者對(duì)口罩識(shí)別目標(biāo)檢測(cè)算法開展了相關(guān)研究工作。Singh 等[6]使用了兩種不同的網(wǎng)絡(luò)，即YOLOv3 和Faster R-CNN，進(jìn)行人臉口罩佩戴檢測(cè)，該模型使用計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)自動(dòng)化檢測(cè)，無(wú)需人工干預(yù)，但對(duì)于不同的場(chǎng)景和光照條件，模型的魯棒性有待進(jìn)一步提高；Nagrath 等[7]提出了一種名為SSDMNV2 的模型用來(lái)實(shí)現(xiàn)人臉口罩佩戴檢測(cè)，該模型實(shí)驗(yàn)了不同卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)的SSD 模型的性能，同時(shí)用輕量級(jí)網(wǎng)絡(luò)MobileNetV2進(jìn)行分類預(yù)測(cè)，使得模型具有較小的體積和內(nèi)存占用，適合移動(dòng)設(shè)備上的實(shí)時(shí)應(yīng)用，可以在保持高準(zhǔn)確率的情況下具有較快的檢測(cè)速度，但是在一些復(fù)雜場(chǎng)景下可能會(huì)存在漏檢和誤檢的情況，需要進(jìn)行進(jìn)一步優(yōu)化和改進(jìn)；Jiang 等[8]提出了SE-YOLOv3 人臉口罩佩戴檢測(cè)器，通過(guò)在DarkNet53 中引入SE 模塊整合通道之間的關(guān)系，使網(wǎng)絡(luò)關(guān)注更重要的特征，同時(shí)采用更能描述預(yù)測(cè)框與真實(shí)框差異的GIOU 損失，以提高邊框回歸的穩(wěn)定性。相對(duì)于一些輕量級(jí)算法，SE-YOLOv3 的計(jì)算量和參數(shù)量較大，需要更高的計(jì)算資源和更大的存儲(chǔ)空間；Yu 等[9]提出了一種基于改進(jìn)YOLOv4 的人臉口罩佩戴檢測(cè)算法，該算法使用改進(jìn)的CSPDarkNet53 網(wǎng)絡(luò)來(lái)降低網(wǎng)絡(luò)計(jì)算成本，提高網(wǎng)絡(luò)學(xué)習(xí)能力，使用自適應(yīng)圖片縮放算法減少計(jì)算量，引入改進(jìn)的PANet 結(jié)構(gòu)使網(wǎng)絡(luò)獲得更多的語(yǔ)義特征信息；Wu 等[10]提出了一種新的口罩檢測(cè)框架FMD-YOLO，采用Im-ResNet-101 網(wǎng)絡(luò)作為主干特征提取網(wǎng)絡(luò)，該網(wǎng)絡(luò)包含了層次卷積結(jié)構(gòu)，變形卷積和非局部機(jī)制，能夠最大化地提取特征，使用增強(qiáng)的路徑聚合網(wǎng)絡(luò)En-PAN 使高層語(yǔ)義信息和低層細(xì)節(jié)信息充分融合，提高網(wǎng)絡(luò)的魯棒性，同時(shí)在推理階段采用Matric NMS 方法提高了檢測(cè)效率和準(zhǔn)確性。

以上研究者提出的算法在一般場(chǎng)景下已經(jīng)有了較好的檢測(cè)效果，但對(duì)于小目標(biāo)檢測(cè)場(chǎng)景下的精度還有待提高。針對(duì)上述問(wèn)題，本文提出了一種改進(jìn)YOLOX 的口罩佩戴檢測(cè)方法，該方法通過(guò)在算法中添加多層注意力機(jī)制，采用DIoU(Distance-IoU)損失函數(shù)和DW 卷積使模型達(dá)到更好的效果。

2 YOLOX 目標(biāo)檢測(cè)算法

YOLOX 是一個(gè)基于YOLOv3 改進(jìn)的目標(biāo)檢測(cè)算法，由Megvii AI 團(tuán)隊(duì)于2021 年提出。YOLOX 通過(guò)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)和數(shù)據(jù)增強(qiáng)等方面來(lái)提升檢測(cè)精度和速度，并實(shí)現(xiàn)了高效的多尺度特征融合，從而適用于多種復(fù)雜場(chǎng)景下的目標(biāo)檢測(cè)任務(wù)。

YOLOX 使用的主干特征提取網(wǎng)絡(luò)為CSPDarknet[11]。CSPDarkNet 網(wǎng)絡(luò)在YOLOV4 中首先提出，整個(gè)網(wǎng)絡(luò)由殘差卷積構(gòu)成，通過(guò)增加深度，使用跳躍連接，來(lái)提高準(zhǔn)確率，緩解深度增加帶來(lái)的梯度消失問(wèn)題。

CSPDarkNet 使用CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)將原來(lái)的殘差塊(如圖1(a)所示)拆分成兩部分，一部分繼續(xù)進(jìn)行原來(lái)殘差塊的堆疊，另一部分則像一個(gè)殘差邊一樣，經(jīng)過(guò)少量處理直接連接到最后，如圖1(b)所示。

圖1 CSPnet 網(wǎng)絡(luò)結(jié)構(gòu)

CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)的引入可以在減少模型計(jì)算量和提高運(yùn)行速度的同時(shí)，不降低模型的精度。

CSPDarkNet 使用Focus 結(jié)構(gòu)對(duì)檢測(cè)圖片進(jìn)行切片操作來(lái)減少參數(shù)，提高速度。具體操作為:在一張圖片中每隔一個(gè)像素取一個(gè)值，從而獲得了四個(gè)獨(dú)立的特征層，然后進(jìn)行拼接，這樣通道數(shù)就擴(kuò)充為原來(lái)的四倍，原圖片從原來(lái)的RGB 三通道數(shù)變?yōu)槭ǖ罃?shù)，然后將新圖片用于接下來(lái)的卷積操作，具體結(jié)構(gòu)如圖2 所示。

圖2 Focus 網(wǎng)絡(luò)結(jié)構(gòu)

為了提高網(wǎng)絡(luò)的感受野，在主干網(wǎng)絡(luò)中還用到了SPP 模塊，主要通過(guò)不同大小的卷積核進(jìn)行最大池化操作。另外，該網(wǎng)絡(luò)的激活函數(shù)選取了SiLU 激活函數(shù)，該激活函數(shù)具有平滑和非單調(diào)的特點(diǎn)，具體公式為:

YOLOX 的主干網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示，可以看出，網(wǎng)絡(luò)從CSPDarkNet 的中間層、中下層、底層的各個(gè)位置提取到了三個(gè)有效特征層作為構(gòu)建特征加強(qiáng)網(wǎng)絡(luò)FPN 的輸入。在FPN 部分，為了進(jìn)一步加強(qiáng)提取有效特征，YOLOX 算法從結(jié)合不同尺度的特征層入手，通過(guò)使用PANet 結(jié)構(gòu)，將前面獲得的有效特征層通過(guò)上采樣和下采樣來(lái)實(shí)現(xiàn)特征融合，最終得到特征加強(qiáng)網(wǎng)絡(luò)輸出的三個(gè)有效特征層。

圖3 YOLOX 網(wǎng)絡(luò)結(jié)構(gòu)圖

YOLOX 在速度和精度上都表現(xiàn)優(yōu)異，在實(shí)際應(yīng)用中得到了廣泛的應(yīng)用。在COCO 數(shù)據(jù)集上，其mAP 在YOLOv5 的基礎(chǔ)上提升了3 個(gè)點(diǎn)以上，同時(shí)運(yùn)行速度也比較快，可以達(dá)到實(shí)時(shí)檢測(cè)的要求。

3 多層注意力機(jī)制

Swin Transformer[12]是一種基于注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型，它在計(jì)算機(jī)視覺(jué)任務(wù)中取得了很好的性能表現(xiàn)，特別是在圖像分類、目標(biāo)檢測(cè)和語(yǔ)義分割等方面。Swin Transformer 中的注意力機(jī)制與傳統(tǒng)的注意力機(jī)制有些不同，但是仍然屬于注意力機(jī)制的范疇。

3.1 傳統(tǒng)注意力機(jī)制

傳統(tǒng)的注意力機(jī)制通過(guò)將輸入的Query、Key、Value 向量分別進(jìn)行矩陣乘法，并使用softmax 函數(shù)將乘積矩陣進(jìn)行歸一化，得到每個(gè)Query 向量對(duì)所有Key 向量的加權(quán)和作為輸出，本質(zhì)是通過(guò)計(jì)算一個(gè)關(guān)注度得分，來(lái)決定每個(gè)位置對(duì)于整體的重要性。

傳統(tǒng)注意力機(jī)制可以實(shí)現(xiàn)對(duì)輸入序列的全局建模，但計(jì)算復(fù)雜度較高，每個(gè)Query 向量需要計(jì)算與所有Key 向量的相似度，并根據(jù)相似度權(quán)重對(duì)Value向量進(jìn)行加權(quán)匯聚。這種方法的計(jì)算復(fù)雜度為O(N2)，其中N為輸入向量的長(zhǎng)度。當(dāng)輸入向量很長(zhǎng)時(shí)，計(jì)算復(fù)雜度將非常高，導(dǎo)致模型運(yùn)算速度緩慢。

3.2 Swin Transformer 中的注意力機(jī)制

Swin Transformer 中同時(shí)使用了窗口多頭注意力模塊(Windows Multi-head Self-Attention，W-MSA)和移動(dòng)窗口多頭力模塊(Shift Windows Multi-head Self-Attention，SW-MSA)，圖4 為兩個(gè)連續(xù)的Swin Transformer 模塊結(jié)構(gòu)。

圖4 兩個(gè)連續(xù)的Swin Transformer 模塊結(jié)構(gòu)

由圖4 可知，Swin Transformer 模塊由正則化層、多頭自注意力、前饋網(wǎng)絡(luò)層和殘差連接組成。其中左邊使用的是W-MSA，右邊使用SW-MSA。模塊首先將輸入的圖片進(jìn)行Layer Normalization(LN)正則化，主要作用是進(jìn)行批量正則化處理，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，從而保證輸入層數(shù)據(jù)分布的規(guī)則性，隨后進(jìn)入W-MSA 模塊，將輸入圖片拆分成多個(gè)窗口，在每個(gè)窗口內(nèi)進(jìn)行注意力計(jì)算，最后將不同窗口的注意力矩陣拼接在一起，形成最終的注意力矩陣；接下來(lái)再經(jīng)過(guò)LN 正則化之后進(jìn)入SW-MSA 模塊，采用移動(dòng)窗口的方式進(jìn)行注意力計(jì)算。

W-MSA 模塊和SW-MSA 模塊對(duì)于注意力計(jì)算的方式比較如圖5 所示。

圖5 W-MSA 和SW-MSA 計(jì)算注意力方式對(duì)比

圖5 左邊為W-MSA 模塊，該模塊相較于傳統(tǒng)MSA 而言，是將所有的像素劃分為多個(gè)窗口，然后在窗口內(nèi)部計(jì)算每個(gè)像素與其他像素的相關(guān)性，每個(gè)窗口內(nèi)的特征僅能與該窗口內(nèi)的其他特征進(jìn)行相似度計(jì)算并進(jìn)行加權(quán)，這種方法的優(yōu)點(diǎn)是可以顯著降低計(jì)算量，但缺點(diǎn)也很明顯，缺少窗口間的信息交互，使得僅使用窗口自注意力層來(lái)構(gòu)建網(wǎng)絡(luò)時(shí)，特征提取能力較差，導(dǎo)致最終的特征提取效果下降。為了克服這一限制，Swin Transformer 提出了SW-MSA。圖5 右側(cè)圖片是左圖向右向下移動(dòng)兩個(gè)單位后的結(jié)果，這時(shí)窗口之間具有重疊部分，基于移動(dòng)后的窗口可以重新計(jì)算注意力，使相鄰特征可以計(jì)算相似度并完成信息關(guān)聯(lián)，從而實(shí)現(xiàn)了窗口與窗口之間的交互[13]。SW-MSA 的窗口移動(dòng)機(jī)制能夠幫助網(wǎng)絡(luò)更好地捕捉局部信息和全局信息的關(guān)聯(lián)性，從而提高特征的表達(dá)能力。

4 口罩佩戴檢測(cè)改進(jìn)算法YOLO-l-sd

YOLOX 算法目前有多個(gè)版本，它們的區(qū)別主要在于模型大小和檢測(cè)精度之間的權(quán)衡。本文在YOLOX-l 算法上進(jìn)行改進(jìn)，相較其他版本，YOLOX-l的參數(shù)量多，因此精度也更高。具體改進(jìn)包括:①在CSPDarkNet 主干網(wǎng)絡(luò)中加入Swin Transformer 網(wǎng)絡(luò)結(jié)構(gòu)，利用注意力機(jī)制優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高特征提取效果。②將BN(Batch Normal)修改為L(zhǎng)N(Layer Normal)，優(yōu)化計(jì)算量，提升了數(shù)據(jù)處理效果。③替換普通卷積為DW 卷積，DW 卷積所使用的參數(shù)量相對(duì)較少，可以有效提升網(wǎng)絡(luò)的計(jì)算速度。

改進(jìn)后的網(wǎng)絡(luò)圖如圖6 所示。

圖6 特征網(wǎng)絡(luò)改進(jìn)

4.1 骨干網(wǎng)絡(luò)修改

YOLOX 所使用的主干特征提取網(wǎng)絡(luò)為CSPDarkNet53，通過(guò)在骨干網(wǎng)絡(luò)多個(gè)stage 中使用殘差連接以及通道分割來(lái)提高網(wǎng)絡(luò)的效率和準(zhǔn)確性。CSPDarkNet53 的骨干網(wǎng)絡(luò)包含5 個(gè)stage，每個(gè)stage 包含若干個(gè)CSPBlock。每個(gè)CSPBlock 又包含基礎(chǔ)卷積層、空間金字塔池化(Spatial Pyramid Pooling，SPP)層以及殘差連接。SPP 層可以在不增加計(jì)算量的情況下提取多尺度的特征，可以從不同尺度的特征圖中提取特征，通過(guò)不同池化核大小的最大池化進(jìn)行特征提取，來(lái)提高網(wǎng)絡(luò)的感受野。由于檢測(cè)任務(wù)需要利用多尺度信息，因此對(duì)SPP 結(jié)構(gòu)進(jìn)行了保留。

本文使用Swin Transformer 的有效特征層對(duì)YOLOX 的主干網(wǎng)絡(luò)進(jìn)行修改，將YOLOX 中的CSPBlock 替換為Swin Transformer Block，進(jìn)一步提升網(wǎng)絡(luò)的提取效果。Swin Transformer Block 利用自注意力機(jī)制在特征之間進(jìn)行關(guān)聯(lián)和交互，能夠更好地捕捉特征之間的關(guān)系，進(jìn)而提高特征表達(dá)能力，從而提高檢測(cè)的準(zhǔn)確性。此外，還在SPP 之后加入SW-MSA注意力機(jī)制來(lái)提升特征的表達(dá)能力和區(qū)分度。具體改進(jìn)如圖7 所示。

圖7 對(duì)骨干網(wǎng)絡(luò)的主要改進(jìn)圖

①圖7(a)是CSPLayer 結(jié)構(gòu)，其將輸入的特征圖分為兩個(gè)分支，左邊的分支經(jīng)過(guò)LN 正則化進(jìn)行標(biāo)準(zhǔn)化處理，再通過(guò)SW-MSA 注意力機(jī)制更好地提取特征，最后將兩個(gè)分支合并輸出到下一分支網(wǎng)絡(luò)。②圖7(b)為SPP 模塊，用來(lái)增加網(wǎng)絡(luò)的感受野，結(jié)構(gòu)中同樣增加了SW-MSA 注意力模塊。首先將輸入的特征層進(jìn)行基礎(chǔ)卷積，然后分別通過(guò)5×5，9×9，13×13 全局平均池化三個(gè)分支和一個(gè)不變分支，再將四個(gè)分支的結(jié)果相加后進(jìn)行卷積，在SPP 與特征融合最后結(jié)果的特征層后面加上SW-MSA 注意力機(jī)制，提高特征提取效果，減少計(jì)算量。

4.2 修改正則化方法

BN 是一種在深度學(xué)習(xí)中常用的技術(shù)，主要用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可以將輸入數(shù)據(jù)的分布進(jìn)行歸一化，從而加速訓(xùn)練過(guò)程并提高模型的泛化能力。BN 是對(duì)神經(jīng)網(wǎng)絡(luò)的每一層輸入數(shù)據(jù)分布的均值和方差進(jìn)行歸一化處理。具體來(lái)說(shuō)，對(duì)于一個(gè)輸入數(shù)據(jù)，先計(jì)算該batch 的均值和方差，再用這些統(tǒng)計(jì)值對(duì)數(shù)據(jù)進(jìn)行歸一化。這樣可以使數(shù)據(jù)分布更加平均，從而提高訓(xùn)練速度和模型的穩(wěn)定性，避免梯度爆炸和梯度消失的問(wèn)題。但BN 存在一些缺點(diǎn)，例如對(duì)小批量數(shù)據(jù)的效果不好，因?yàn)樾∨繑?shù)據(jù)的均值和方差統(tǒng)計(jì)可能會(huì)出現(xiàn)偏差。此外，BN 會(huì)增加計(jì)算量，特別是在大型神經(jīng)網(wǎng)絡(luò)中，計(jì)算代價(jià)可能會(huì)很高。

LN 是一種用于深度學(xué)習(xí)中的正則化方法，它類似于BN，但不是在小批量上進(jìn)行歸一化，而是對(duì)每個(gè)樣本單獨(dú)進(jìn)行歸一化。在LN 中，假設(shè)一個(gè)張量x∈Rm×n，包括m個(gè)樣本，每個(gè)樣本n個(gè)特征，對(duì)于每個(gè)樣本xi，LN 將它的所有特征維度按照均值和方差進(jìn)行歸一化，公式如下:

式中:μi和σi分別表示樣本xi在所有特征維度上的均值和方差，ε是一個(gè)很小的常數(shù)，用于避免分母為0。

由于BN 的一個(gè)缺點(diǎn)是需要較大的batch size才能合理預(yù)估訓(xùn)練數(shù)據(jù)的均值和方差，本文選用參數(shù)量較大的YOLOX-l 模型，采用BN 可能會(huì)導(dǎo)致內(nèi)存不足，而LN 不依賴于batch 的大小和輸入sequence 的深度，更為適合該模型。

4.3 采用DW 卷積

DW 卷積(Depthwise Convolution)是一種深度可分離卷積的變種卷積操作，通常用于深度學(xué)習(xí)模型的輕量化或加速，在減少模型參數(shù)和計(jì)算量的同時(shí)，提高模型的感受野和學(xué)習(xí)能力。DW 卷積的計(jì)算過(guò)程可以分為深度卷積和逐點(diǎn)卷積兩個(gè)部分。在深度卷積中，DW 卷積首先對(duì)輸入數(shù)據(jù)的每個(gè)通道分別進(jìn)行卷積，即針對(duì)每個(gè)通道都使用一個(gè)卷積核進(jìn)行卷積操作。因此，如果輸入數(shù)據(jù)共有C個(gè)通道，那么深度卷積部分會(huì)使用C個(gè)卷積核進(jìn)行卷積。這個(gè)過(guò)程可以看做是對(duì)每個(gè)通道進(jìn)行一維卷積操作。在逐點(diǎn)卷積中，DW 卷積使用一個(gè)1×1 的卷積核對(duì)每個(gè)通道的結(jié)果進(jìn)行融合，即將所有通道的結(jié)果按元素相加并得到一個(gè)新的輸出結(jié)果。這個(gè)過(guò)程可以看做是對(duì)每個(gè)通道進(jìn)行一維逐點(diǎn)卷積操作。

與普通卷積相比，DW 卷積的卷積核只在每個(gè)輸入通道上進(jìn)行卷積操作，因此參數(shù)數(shù)量遠(yuǎn)遠(yuǎn)少于普通卷積；DW 卷積具有更少的卷積核數(shù)量和更小的卷積核大小，因此需要更少的計(jì)算量。將普通卷積替換為DW 卷積，可以在保持參數(shù)和計(jì)算量較少的情況下，達(dá)到與普通卷積相似或更好的準(zhǔn)確率。

4.4 損失函數(shù)的選擇

損失函數(shù)主要用于度量預(yù)測(cè)框與真實(shí)框之間的差異，以此優(yōu)化模型的參數(shù)。選擇不同的損失函數(shù)會(huì)影響網(wǎng)絡(luò)模型預(yù)測(cè)框的精度，以下介紹兩種改良的損失函數(shù)。

①完全交并比(Complete Intersection Over Union，CIOU)

CIOU 是一種改進(jìn)的IOU。IOU 用于計(jì)算預(yù)測(cè)框和真實(shí)框的交疊率，即它們的交集和并集的比值，最理想情況是完全重疊，這時(shí)比值為1。IOU 的計(jì)算公式為:

式中:A表示預(yù)測(cè)框，B表示真實(shí)框，A∩B表示A和B的交集，A∪B表示A和B的并集。

CIOU 還考慮了目標(biāo)框的長(zhǎng)寬比例和中心點(diǎn)之間的距離，在某些情況下比IOU 更加準(zhǔn)確。CIOU的計(jì)算公式為:

式中:IOU 表示兩個(gè)邊界框的交并比，ρ是一個(gè)懲罰項(xiàng)，用于懲罰邊界框中心點(diǎn)之間的距離，C1和C2分別表示兩個(gè)邊界框的對(duì)角線長(zhǎng)度，ˉC表示這兩個(gè)對(duì)角線長(zhǎng)度的平均值。

②距離交并比(Distance Intersection Over Union，DIOU)

DIOU 也是一種改進(jìn)的IOU 方法，它在CIOU 的基礎(chǔ)上增加了重疊部分的面積懲罰項(xiàng)，以進(jìn)一步提高預(yù)測(cè)框與真實(shí)框之間重疊度的準(zhǔn)確性。DIOU 的計(jì)算公式為:

式中:d代表預(yù)測(cè)框和真實(shí)框兩個(gè)中心點(diǎn)距離的平方，c代表兩個(gè)框的最小外接矩形對(duì)角線長(zhǎng)度。如果兩個(gè)框完美重疊，d＝0，IOU ＝1，DIOU ＝1－0 ＝1。如果兩個(gè)框相距很遠(yuǎn)，趨近于1，IOU ＝0，DIOU ＝0－1 ＝－1。

5 實(shí)驗(yàn)與結(jié)論

5.1 實(shí)驗(yàn)環(huán)境

本文所述實(shí)驗(yàn)均在Windows10 操作系統(tǒng)下進(jìn)行。環(huán)境配置為python3.6.13，torch1.2.0，torchvision0.4.0，硬件環(huán)境為RTX 2080 Ti(11GB)×1，4 vCPU Intel(R)Xeon(R)Silver 4110 CPU＠2.10GHz，16GB 內(nèi)存。

5.2 數(shù)據(jù)集

數(shù)據(jù)集的質(zhì)量是保證深度學(xué)習(xí)模型訓(xùn)練結(jié)果的重要因素。本文數(shù)據(jù)集為自制數(shù)據(jù)集，通過(guò)網(wǎng)絡(luò)爬蟲等方法收集網(wǎng)絡(luò)公開的圖片，一共收集了4 050張圖片，數(shù)據(jù)集按照8 ∶1 ∶1 的比例分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。數(shù)據(jù)集包含了多個(gè)場(chǎng)景下佩戴口罩的人臉圖片，數(shù)據(jù)集中人臉?lè)直媛首畲鬄? 536×1 876，最小為20×40，涵蓋了人臉出現(xiàn)在攝像頭拍攝圖像中的大多數(shù)可能尺寸，保證了網(wǎng)絡(luò)對(duì)小尺度人臉的識(shí)別需求。

5.3 評(píng)價(jià)指標(biāo)

目標(biāo)檢測(cè)的評(píng)價(jià)指標(biāo)主要包括精度(Precision)，召回率(Recall)，平均精度(AP)，平均精度均值(mAP)。

①精度

精度是指檢測(cè)結(jié)果中正確檢測(cè)的目標(biāo)框數(shù)量與所有檢測(cè)到的目標(biāo)框數(shù)量的比例。即，算法檢測(cè)出來(lái)的所有目標(biāo)框中，正確框的數(shù)量占總檢測(cè)框數(shù)量的比例。精度計(jì)算公式為:

式中:TP 為被模型預(yù)測(cè)為正類的正樣本；TN 為被模型預(yù)測(cè)為負(fù)類的負(fù)樣本；FP 為被模型預(yù)測(cè)為正類的負(fù)樣本；FN 為被模型預(yù)測(cè)為負(fù)類的正樣本。精度越高，表示算法檢測(cè)出的目標(biāo)框中正確率越高，具有更好的檢測(cè)準(zhǔn)確性。

②召回率

召回率是指在所有真實(shí)目標(biāo)框中，被算法正確檢測(cè)出的目標(biāo)框的比例。在目標(biāo)檢測(cè)任務(wù)中，召回率衡量的是算法對(duì)于真實(shí)目標(biāo)框的檢測(cè)能力，即算法能夠檢測(cè)到多少真實(shí)目標(biāo)框。召回率計(jì)算公式為:

式中:TP 為被模型預(yù)測(cè)為正類的正樣本；FN 為被模型預(yù)測(cè)為負(fù)類的正樣本。召回率越高，表示算法能夠檢測(cè)到更多的真實(shí)目標(biāo)框，具有更好的檢測(cè)能力。

③平均精度AP

平均精度是評(píng)價(jià)模型檢測(cè)能力的主要指標(biāo)之一。AP 是通過(guò)計(jì)算不同召回率下的精度值，再將這些精度值在召回率的范圍內(nèi)進(jìn)行平均得到的一個(gè)指標(biāo)。一般來(lái)說(shuō)，平均精度越高，表示模型的檢測(cè)效果越好。

平均精度均值是不同類別的平均精度的平均值。對(duì)于一個(gè)具有n個(gè)類別的目標(biāo)檢測(cè)模型，其mAP 可以表示為所有類別AP 的平均值:

式中:N表示所有類別數(shù)量。

④F1

F1 是精確率和召回率的調(diào)和平均值，計(jì)算公式如下:

式中:FN 表示預(yù)測(cè)錯(cuò)誤的樣本數(shù)量；TP 為被模型預(yù)測(cè)為正類的正樣本；FN 為被模型預(yù)測(cè)為負(fù)類的正樣本；FP 為被模型預(yù)測(cè)為正類的負(fù)樣本。

5.4 損失函數(shù)對(duì)比分析

CIOU 是一種改進(jìn)的IOU 損失函數(shù)，它通過(guò)綜合考慮預(yù)測(cè)框和真實(shí)框的中心點(diǎn)、寬度、高度和長(zhǎng)寬比等因素來(lái)計(jì)算損失；DIOU 也是一種改進(jìn)的IOU損失函數(shù)，它通過(guò)綜合考慮預(yù)測(cè)框和真實(shí)框之間的距離、中心點(diǎn)、寬度、高度和長(zhǎng)寬比等因素來(lái)計(jì)算損失。

為比較使用不同損失函數(shù)的模型效果，實(shí)驗(yàn)對(duì)CIOU 和DIOU 進(jìn)行了實(shí)驗(yàn)，最終的Loss 曲線如圖8所示。

圖8 不同損失函數(shù)Loss 曲線圖

圖8 中，(a)為CIOU 損失函數(shù)圖像，(b)為DIOU損失函數(shù)圖像。由圖可知，兩種損失函數(shù)數(shù)值下降速度相仿，(b)圖的訓(xùn)練損失與驗(yàn)證損失曲線相比(a)圖更加貼合，曲線更加平滑，收斂效果更好，因此選取DIOU 作為本文提出的YOLO-l-sd 模型的損失函數(shù)。

5.5 消融實(shí)現(xiàn)結(jié)果分析

為了驗(yàn)證各個(gè)注意力模塊對(duì)YOLOX-l 檢測(cè)效果的影響，在數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)。在損失函數(shù)都采用DIOU 的基礎(chǔ)上，模型加入SW-MSA 注意力和DW 卷積模塊的消融實(shí)驗(yàn)，結(jié)果如表1 所示。

表1 消融實(shí)驗(yàn)結(jié)果

對(duì)比發(fā)現(xiàn)，經(jīng)過(guò)加入DW 卷積后，AP 降低了0.68%，但召回率提升了0.99%，精度提升了1.05%。而加入SW-MSA 注意力機(jī)制以后算法相較于原本的算法，AP 提升了0.36%，召回率提升了5.24%，精度提升了0.93%；在SW-MSA 基礎(chǔ)上加入DW 卷積后，AP 提高了0.32%，召回率提高了0.22%，精度提升了1.52%。經(jīng)過(guò)綜合對(duì)比，相較于原始的YOLOX-l，YOLO-l-sd 的AP 提升了0.68%，召回率提升了5.46%，精度提升了2.45%。

①遮擋目標(biāo)檢測(cè)效果對(duì)比

圖9(a)為YOLOX-l 的檢測(cè)結(jié)果，圖9(b)為YOLOX-l-sd 的檢測(cè)結(jié)果，可以看出，在遮擋目標(biāo)檢測(cè)中，YOLOX-l 出現(xiàn)了漏檢，而YOLOX-l-sd 可以正常檢出。

圖9 遮擋目標(biāo)檢測(cè)結(jié)果對(duì)比

②小目標(biāo)檢測(cè)效果對(duì)比

圖10(a)為YOLOX-l 的檢測(cè)結(jié)果，圖10(b)為YOLOX-l-sd 的檢測(cè)結(jié)果，YOLOX-l-sd 算法的檢測(cè)精度要比原始算法平均提高了3%左右。

圖10 小目標(biāo)檢測(cè)結(jié)果對(duì)比

通過(guò)對(duì)比實(shí)驗(yàn)可以看出，文章提出的YOLOX-lsd 算法在召回率、精確率、F1 和mAP 等指標(biāo)上相比原始算法均有不同程度的提高，對(duì)小目標(biāo)與遮擋目標(biāo)的檢測(cè)效果也有了明顯的提升。

6 結(jié)論

為了提高小目標(biāo)和遮擋目標(biāo)場(chǎng)景下口罩佩戴目標(biāo)檢測(cè)的效果，文章對(duì)YOLOX 算法進(jìn)行了改進(jìn)，替換普通卷積為DW 卷積，在CSPDarkNet 主干網(wǎng)絡(luò)中引入 Swin Transformer 多 層注意力機(jī)制，在CSPLayer、SPP 模塊中添加SW-MSA 注意力模塊，將SPP 模塊BN 正則化方法修改為L(zhǎng)N，同時(shí)采用DIOU 損失函數(shù)來(lái)提高網(wǎng)絡(luò)精確度。實(shí)驗(yàn)結(jié)果表明，文章提出的YOLOX-l-sd 算法有效提升了佩戴口罩目標(biāo)檢測(cè)算法的性能，與原始算法相比，模型的檢測(cè)精度提高了2.45%。在未來(lái)的工作中，將繼續(xù)優(yōu)化模型，研究佩戴口罩的人臉?lè)诸惥W(wǎng)絡(luò)，進(jìn)一步研究密集人群中佩戴口罩人臉識(shí)別問(wèn)題。