基于迁移学习和 Inception v3 架构的口罩识别系统，可以在拥挤的场所监测口罩的佩戴情况，并能准确分类口罩的正确和错误使用，实验结果表明其高准确率和效率（训练数据达到 99.47%，测试数据达到 99.33%）

Oct, 2023

利用深度学习，我们提出了一种在实时场景中检测口罩的技术，适用于通过网络摄像头记录的静止或动态的单人或多人框架，我们的模型准确率高达 99%（白天的单人）至 74%（夜晚的多人）。

Jan, 2024

本文探讨了使用三种最先进的目标检测神经网络在实时应用中用于口罩检测的能力，并在只有 1531 张图片的三个单独的类别的数据集上，通过使用 YOLOv4-tiny 模型获得了 85.31% 和 50.66 的平均精度和秒数，分别是其他最近研究的最佳模型。

Apr, 2023

利用深度学习创建了一个实时检测视频和图像中口罩的模型，该研究旨在提高安全性，特别是敏感区域，通过图像预处理、图像裁剪和图像分类三个阶段来识别带口罩的人脸，并通过网络摄像头或闭路电视摄像机进行持续监控，如果发现没有戴口罩的人，则触发安全警报。

Nov, 2023

本文提出了一种基于遮挡和深度学习特征的可靠方法来解决口罩蒙面等遮挡因素下的人脸识别问题，并使用预训练的卷积神经网络提取眼睛和前额区域特征以及使用多层感知器分类识别。实验结果表明该方法有较高的识别性能。

May, 2021

该研究提出了一种基于深度学习的方法，利用 MTCNN 和 MobileNetV2 算法检测公共场所中戴口罩的人脸，使得公共场所的监督变得更加安全。

Nov, 2020

基于 YOLOv5l 模型，本文提出了一种基于口罩佩戴的人脸检测模型。通过多头注意力自卷积和 Swin Transformer Block 的引入，提高了模型的检测准确性和收敛速度，并通过设计的 I-CBAM 模块和特征融合方法改善了不同尺度目标检测任务。实验证明，相比 YOLOv5l 模型，在 MASK 数据集上，本文模型的 mAP (0.5) 提升了 1.1%，mAP (0.5:0.95) 提升了 1.3%。本文提出的方法显著提升了口罩佩戴的检测能力。

Oct, 2023

通过 AI 技术的计算机视觉系统识别戴口罩人群的情感，提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统，并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练，评估了四个卷积神经网络（Alexnet，Squeezenet，Resnet50 和 VGGFace2）的效果。实验结果显示，与单面具模式相比，我们的模型在多面具模式下的效果更好。其中，VGGFace2 网络在使用 JAFFE 数据集时的人员相关模式的准确率最高，为 97.82%，人员独立模式的准确率为 74.21%。然而，我们使用 UIBVFED 数据集评估了我们的模型。Resnet50 在人员相关模式下表现出了优越的性能，准确率分别为 73.68% 和 59.57%。此外，我们采用了精确度、敏感度、特异性、AUC、F1 值和混淆矩阵等指标来详细衡量我们系统的效率。此外，还使用了 LIME 算法来可视化 CNN 的决策策略。

Dec, 2023

本文提出了一种基于目标检测、聚类和卷积神经网络的轻量级、稳健且全天候自动化视频监控系统，用于检测人体、社交距离违规、人脸及口罩分类，并提供了不同人脸检测和口罩分类模型的比较研究和基于视频标记的数据集标记方法，该系统在标记视频数据集上的准确率为 91.2％，F1 得分为 90.79％，预测时间平均为 7.12 秒。

Oct, 2021

这篇论文探讨了现代深度学习网络在检测佩戴口罩的 Deepfake 技术方面的性能，并提出了两种不同的检测方法：面部裁剪和面部贴片。实验表明，面部裁剪比面部贴片更为有效，可用于识别现实世界中带口罩的人脸 Deepfake。

Feb, 2022