[論文レビュー] COVID-19 personal protective equipment detection using real-time deep learning methods

Shayan Khosravipour, Erfan Taghvaei+1 more|arXiv (Cornell University)|Mar 27, 2021

Infection Control and Ventilation参考文献 32被引用数 6

ひとこと要約

本論文は、8,250枚の画像でトレーニングされたYOLOv3およびSSD MobileNetモデルを用いて、公共空間におけるマスクおよび手袋の検出をリアルタイムで行うディープラーニングシステムを提案している。マルチクラス検出（マスク、マスクなし、手袋、手袋なし、不適切）において、YOLOでは90.6%、SSDでは85.5%のmAPを達成し、パンデミック対策を支援する不適切なPPE使用の高精度同定を実証した。

ABSTRACT

The exponential spread of COVID-19 in over 215 countries has led WHO to recommend face masks and gloves for a safe return to school or work. We used artificial intelligence and deep learning algorithms for automatic face masks and gloves detection in public areas. We investigated and assessed the efficacy of two popular deep learning algorithms of YOLO (You Only Look Once) and SSD MobileNet for the detection and proper wearing of face masks and gloves trained over a data set of 8250 images imported from the internet. YOLOv3 is implemented using the DarkNet framework, and the SSD MobileNet algorithm is applied for the development of accurate object detection. The proposed models have been developed to provide accurate multi-class detection (Mask vs. No-Mask vs. Gloves vs. No-Gloves vs. Improper). When people wear their masks improperly, the method detects them as an improper class. The introduced models provide accuracies of (90.6% for YOLO and 85.5% for SSD) for multi-class detection. The systems' results indicate the efficiency and validity of detecting people who do not wear masks and gloves in public.

研究の動機と目的

• 公共地域におけるマスクおよび手袋の適切・不適切な使用を自動で検出するシステムを開発し、COVID-19の感染拡大を抑えることを目的とする。
• 8,250枚の画像から構成される独自データセットを用いて、YOLOv3およびSSD MobileNetの2つのディープラーニングモデルの性能を、マルチクラスPPE検出タスクで評価することを目的とする。
• モデルの正確性を、正しい、誤った、または欠落したPPE使用（特に不適切なマスク着用）を区別できるかを評価することを目的とする。
• パンデミック期における公衆衛生ガイドラインの監視および実行を支援するスケーラブルでリアルタイムのソリューションを提供することを目的とする。

提案手法

• インターネットから収集した8,250枚の画像から構成される独自データセットを用い、YOLOv3はDarkNetフレームワーク、SSD MobileNetは物体検出に用いた。
• 両モデルを、マスク、マスクなし、手袋、手袋なし、不適切の5クラス検出タスクに合わせて、トランスファー学習を用いて微調整した。
• 評価指標として、IOU閾値が0.5から0.95の範囲で変化する際の平均平均精度（mAP）および平均平均リcall（mAR）を用いた。
• 真陽性（TP）をIOU ≥ 閾値の検出、偽陽性（FP）をIOU < 閾値の検出、偽陰性（FN）を見逃された正例（真のラベル）として定義した。
• 物体サイズ（小、中、大）および検出信頼度レベルごとに性能を評価し、maxDets=1, 10, 100を用いた。
• 検出結果および誤分類例の定性的分析を通じて、実世界の状況下でのモデルの挙動を評価した。

実験結果

リサーチクエスチョン

• RQ1 YOLOv3およびSSD MobileNetは、リアルタイムの公共監視において、マスク、手袋、不適切な使用といった複数のPPEクラスをどれほど効果的に検出できるか？
• RQ2 IOU閾値および物体サイズの変動に伴い、YOLOv3とSSD MobileNetのmAPおよびmARにおける相対的な性能はどのように異なるか？
• RQ3 不適切に着用されたマスクや手袋を検出する性能は、実世界の展開において特に困難なクラスであるが、モデルはそのクラスに対してどれほど効果的に機能するか？
• RQ4 複雑な公共シーンにおいて、小規模および中規模の物体（例：手袋）を一般化して検出できるか？
• RQ5 公共安全システムへの展開を想定した場合、精度、推論速度、計算効率のバランスを考慮した際に、どちらのモデルがより優れたトレードオフを提供するか？

主な発見

• YOLOv3はIOU=0.5の条件下で90.6%のmAPを達成し、SSD MobileNetの85.5%を上回り、全体的な検出精度に優れていることが示された。
• YOLOv3は、特に手袋のような小規模な物体の検出において、より高い精度と、すべてのIOU閾値で優れた局所化性能を示した。
• SSDはIOU=0.75の条件下で真値ボックスとの一致が良好であったが、実世界の公共監視では検出精度がより重要であるため、この点はあまり影響が少なかった。
• YOLOv3は「不適切」クラスにおいて優れた性能を示し、非適合者に対する偽陰性を低減した。
• YOLOv3はすべての物体サイズで高い精度を維持したが、SSDは特に手袋のような小規模な物体で困難を示した。
• mAPが低かったものの、SSDはmaxDets=100の条件下で58.6%の平均リcallを示し、YOLOv3の52.5%を上回った。これは、高い検出閾値下でも、より広範な検出カバーを実現している可能性を示唆している。