Apprentissage conjoint pour la détection du port de masque dans des conditions de faible luminosité
La détection du port d’un masque facial constitue une approche technique importante pour améliorer la sécurité de la santé publique et l’efficacité de la surveillance en temps réel. Cependant, dans des conditions d’éclairage ou météorologiques extrêmes, il est difficile d’obtenir des résultats idéaux avec les algorithmes existants de détection d’objets ou de détection de visages.
Pour résoudre ce problème, une équipe de recherche dirigée par Mingqiang Guo a proposé un cadre de détection optimisé pour l’apprentissage conjoint de bout en bout avec amélioration de la décomposition des couches et fusion adaptative de fonctionnalités multi-échelles. L’équipe a publié ses nouvelles recherches dans Frontières de l’informatique.
D’une part, le module LLE récupère les informations sur les caractéristiques d’éclaircissement grâce à des contraintes de décomposition des couches et d’ajustement des composants. La décomposition de l’image est mise en œuvre sur la base de la règle Retinex, ce qui donne la composante d’éclairage et la composante de réflectance. Ensuite, les caractéristiques des espaces des deux composants sont respectivement améliorées par les termes de contraintes mathématiques conçus.
D’autre part, le détecteur d’objets réalise une fusion adaptative de caractéristiques multi-échelles grâce au mécanisme d’attention spatialement coordonné et au module CW-FPN.
Afin de fournir une évaluation plus approfondie des performances globales du modèle, ils ont lancé une série d’analyses expérimentales comparatives sur deux ensembles de données de référence publiques, DARK FACE et PWMFD. En fin de compte, le modèle proposé obtient des résultats passionnants en termes de capacité de détection et d’efficacité.
Fourni par Frontiers Journals
