یک رویکرد یادگیری انتقالی با شبکه عصبی کانولوشنال برای تشخیص افراد دارای ماسک از روی تصاویر

با توجه به همه گیری ویروس کرونا (کووید-۱۹) و انتقال سریع آن در سرتاسر دنیا، جهان با یک بحران بزرگ روبرو شده است. برای جلوگیری از شیوع ویروس کرونا سازمان بهداشت جهانی (WHO) استفاده از ماسک و رعایت فاصله اجتماعی در مکان های عمومی و شلوغ را بهترین روش پیشگیرانه معرفی کرده است. این مقاله یک سیستم برای شناسایی افراد دارای ماسک پیشنهاد می کند که بر پایه یادگیری انتقالی و معماری Inception v۳ است. روش پیشنهادی با استفاده از دو مجموعه داده (SMFD) Simulated Mask Face Dataset و MaskedFace-Net (MFN) آموزش می بیند و با تنظیم بهینه فراپارامتر ها و طراحی دقیق بخش تماما متصل سعی می کند دقت سیستم پیشنهادی را افزایش دهد. از مزایای سیستم پیشنهادی این است که می تواند علاوه بر صورت های دارای ماسک و بدون ماسک، حالت های استفاده غیر صحیح از ماسک را نیز تشخیص دهد. از این رو روش پیشنهادی تصاویر چهره ورودی را به سه دسته تقسیم بندی خواهد کرد. نتایج آزمایشی، دقت و کارایی بالای روش پیشنهادی را در موضوع فوق نشان می دهند؛ بطوری که این مدل در داده های آموزش به دقت ٪۹۹/۴۷ و در داده های آزمایشی به دقت ٪۹۹/۳۳ دست یافته است.

Keywords:

ماسک , کووید-۱۹ , یادگیری انتقالی , شبکه عصبی کانولوشنال , معماری InceptionV۳