A Review and Implementation of Object Detection Models and Optimizations for Real-time Medical Mask Detection during the COVID-19 Pandemic

卷积神经网络（CNN）由于其更高的准确性，通常用于目标检测问题。然而，当考虑检测速度时，基于CNN的检测模型的性能是模糊的。据我们所知，相关文献中还没有足够的评估可用方法在速度/准确性权衡方面的表现。本研究评估了最基本的目标检测模型在常见物体上下文（COCO）数据集上的速度/准确性权衡、它们的内存消耗和计算与存储成本。接下来，我们选择了一种高效的模型YOLOv5，在医用口罩人脸数据集Properly-Wearing Masked Faces Dataset（PWMFD）上进行训练，并分析了特定优化技术对实时医用口罩检测的好处：迁移学习、数据增强和Squeeze-and-Excitation注意机制。利用我们的研究结果，针对COVID-19大流行的情况，我们提出了一种基于YOLOv5s的优化模型，使用迁移学习进行正确和错误佩戴医用口罩的检测，在PWMFD数据集上的速度超过了现有技术的SE-YOLOv3模型的两倍以上（每秒69帧），同时保持相同水平的平均精度（67％）。

本论文旨在评估常见目标检测模型在速度/准确度权衡、内存消耗、计算和存储成本等方面的表现，并在 Properly-Wearing Masked Faces 数据集上训练高效的口罩佩戴检测模型。

论文使用 YOLOv5 模型进行训练，并采用迁移学习、数据增强和 Squeeze-and-Excitation attention 机制进行优化，实现在 Properly-Wearing Masked Faces 数据集上的快速口罩佩戴检测。

论文评估了常见目标检测模型在 COCO 数据集上的性能，并提出了一种基于 YOLOv5s 模型的优化口罩佩戴检测模型，在速度和准确度方面都有较好的表现。此外，论文还开源了代码和数据集，为后续研究提供了便利。

近期的相关研究包括：SE-YOLOv3 模型在 Properly-Wearing Masked Faces 数据集上的应用，以及其他目标检测模型在不同数据集上的性能评估。