Aprendizaje conjunto para la detección del uso de mascarillas en condiciones de poca luz

Detectar el uso de mascarillas es un enfoque técnico importante para mejorar la seguridad de la salud pública y la eficiencia del monitoreo en tiempo real. Sin embargo, en condiciones climáticas o de iluminación extremas, es difícil lograr resultados óptimos con los algoritmos de detección de objetos o de rostros existentes.

Para resolver este problema, un equipo de investigación dirigido por Mingqiang Guo propuso un marco de detección optimizado de aprendizaje conjunto de extremo a extremo con mejora de la descomposición de capas y fusión de características adaptativas a múltiples escalas. El equipo Publicado su nueva investigación en Fronteras de la informática.

Por un lado, el módulo LLE recupera información sobre las características de brillo mediante la descomposición de capas y restricciones de ajuste de componentes. La descomposición de la imagen se implementa según la regla Retinex, lo que da como resultado el componente de iluminación y el componente de reflectancia. Luego, las características en los dos espacios componentes se mejoran mediante los términos de restricción matemática diseñados respectivamente.

Por otro lado, el detector de objetos logra una fusión adaptativa de características multiescala a través del mecanismo de atención coordinada espacialmente y el módulo CW-FPN.

Para proporcionar una evaluación más completa del rendimiento integral del modelo, lanzaron una serie de análisis experimentales comparativos en dos conjuntos de datos de referencia públicos, DARK FACE y PWMFD. En última instancia, el modelo propuesto logra resultados interesantes en términos de capacidad de detección y eficiencia.