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。