改进YOLOV5s的多尺度融合口罩佩戴检测方法

摘要

针对复杂场景下口罩佩戴检测算法存在小目标检测精度低和漏检率高的问题,提出一种基于改进YOLOV5s的口罩佩戴检测模型。融合倒置自适应注意力模块IAAM(inverted adaptive attention module),缓解连续下采样导致的信息丢失问题,同时增强网络的特征融合能力;为了平衡多尺度检测层接收到的有效信息量,设计了通道特征分组模块CFGM(channel feature grouping module),提高了小目标检测精度;结合实际场景中的数据特征,使用EIoU Loss损失函数并取消数据增强中的色彩空间变换。实验结果表明,改进后的模型在检测精度、推理速度和小目标检测能力等方面均有提升,能够完成复杂场景下实时口罩佩戴检测任务。