曾 成，蒋 瑜，张尹人

(1.成都信息工程大学 软件工程学院，四川 成都 610000；2.武汉科技大学 计算机科学与技术学院，湖北 武汉 430081)

0 引 言

M_YOLOv3是在YOLOv3[1]算法上进行改进，用于快速检测市民口罩佩戴情况的一种目标检测算法。在目标检测算法的发展中，过去以级联分类器Cascade算法最为常见，近年来深度学习发展迅速，在目标检测领域也有了许多突破。目前，基于深度卷积神经网络的目标检测算法主要有两种，一种是两阶段目标检测算法，例如：Fast R-CNN[2]、Faster RCNN[3]、Mask Rcnn[4]等，此种算法精度高，但是时效性较差，不适用于行人流量较大时的检测。另一种是单阶段目标检测算法，例如：SSD[5]、YOLO[6]、YOLOv2[7]，此类方法检测速度快，但识别物体的精准度偏低。目前来看YOLOv3较好地平衡了检测精度与时效性，将不同尺度的特征图进行融合，使用逻辑回归代替全连接softmax的方法来分类，最后进行边框回归，预测出目标物体的位置和大小。

YOLOv3算法的缺点是对小目标物体检测效果不够完美，而口罩正好属于小目标物体范畴内。对此，改进算法M_YOLOv3采用了增添一个预测通道的方法来解决此类问题。具体方法如下：首先在特征提取网络Darknet_D的浅层特征图中进行分支处理，随后进行Batch_normalization，接着和深层网络提取的特征相融合，重构类特征金字塔，在其底部额外增添一层结构，在金字塔底部使用最大的一组先验框作为目标物体预测框进行回归计算[8]。

在卷积神经网络的理论中，特征图越大，神经网络感受野越小，对特征的敏感度越高[9]。因此增添浅层网络特征图作为额外预测通道这一做法，能够更好捕捉小目标物体，例如口罩。……