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

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

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

本文提出一种深层级联多任务框架，通过三层深度卷积神经网络的分级设计，在对人脸和人脸特征区域进行预测的粗到细的过程中，利用其中的内在相关性以提高人脸检测和特征点定位的性能，在学习过程中还采用一种新型的在线困难样本挖掘方法，能够自动提高性能而无需手动样本选择。

Jan, 2022

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

本文提出了一种使用实时口罩检测来增强人脸识别系统的现有数据集的方法，并利用 MaskTheFace 工具创建大量实时口罩数据集以及使用处理后的数据集提高了 FACENET 及在实际数据集 MFR2 上的识别率。

Aug, 2020

提出了一种基于迁移学习和图像增强技术的深度学习模型来识别不戴口罩的人，该模型在模拟数据集上的训练和测试中表现出了很高的准确性。

Sep, 2020