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

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

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

本文报道了使用热成像技术可以检测口罩佩戴的位置和类型，从而解决新冠病毒传播的问题，针对不同的深度学习模型，本文提出了一种 Yolov5 模型及一个基于卷积神经网络的自编码器分类器，准确率分别达到 97％和 91％。

Apr, 2023

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

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

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

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

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