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

使用深度学习和计算机视觉技术开发的 COVID-19 Social Distancing Detector System 可在指定区域内维持社交距离和监测违规行为，可用于任何场所，并可提高风险管理和保护个人安全。

Apr, 2023

我们提出了一个基于人工智能的实时社交距离检测和警告系统，考虑到四个重要的伦理因素。该系统使用单目相机和基于深度学习的实时对象检测器来测量社交距离，并在检测到违规时发出非侵入性的音频视觉警告信号，这个系统的实验表明有良好的广泛性和性能表现。

Jul, 2020

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

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

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

本研究评估了基于卷积神经网络的最基本的目标检测模型在速度 / 准确性权衡方面的性能，并选择了一个高效的模型 YOLOv5 进行实时医用口罩检测的优化，提出了一个基于转移学习的优化模型，在维持相同的平均精度的情况下，其速度超过了 PWMFD 数据集上最先进的模型 SE-YOLOv3 的两倍以上（每秒 69 帧）。

May, 2024

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

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