由于Covid-19已经不断变异，并且在三到四个月内，一个新的变体引入了我们，它具有更致命的问题。阻止我们获得Covid的事情正在接种疫苗并戴上面膜。在本文中，我们已经实现了一种新的面部掩模检测和人识别模型，名为Indight Face，基于SoftMax丢失分类算法ARC面部损耗并将其命名为RFMPI-DNN（基于深神经网络的快速面部检测和PERON识别模型）与可用的其他模型相比，迅速检测面部掩模和人身份。要比较我们的新模型，我们使用的MobileNet_v2型号和面部识别模块是根据时间的有效比较。在每个方面，系统中实施的建议模型在本文中相比表现优于模型

2019年冠状病毒疾病（Covid-19）继续自爆发以来对世界产生巨大挑战。为了对抗这种疾病，开发了一系列人工智能（AI）技术，并应用于现实世界的情景，如安全监测，疾病诊断，感染风险评估，Covid-19 CT扫描的病变细分等。 Coronavirus流行病迫使人们佩戴面膜来抵消病毒的传播，这也带来了监控戴着面具的大群人群的困难。在本文中，我们主要关注蒙面面部检测和相关数据集的AI技术。从蒙面面部检测数据集的描述开始，我们调查了最近的进步。详细描述并详细讨论了十三可用数据集。然后，该方法大致分为两类：传统方法和基于神经网络的方法。常规方法通常通过用手工制作的特征升高算法来训练，该算法占少比例。基于神经网络的方法根据处理阶段的数量进一步归类为三个部分。详细描述了代表性算法，与一些简要描述的一些典型技术耦合。最后，我们总结了最近的基准测试结果，讨论了关于数据集和方法的局限性，并扩大了未来的研究方向。据我们所知，这是关于蒙面面部检测方法和数据集的第一次调查。希望我们的调查可以提供一些帮助对抗流行病的帮助。

The emergence of COVID-19 has had a global and profound impact, not only on society as a whole, but also on the lives of individuals. Various prevention measures were introduced around the world to limit the transmission of the disease, including face masks, mandates for social distancing and regular disinfection in public spaces, and the use of screening applications. These developments also triggered the need for novel and improved computer vision techniques capable of (i) providing support to the prevention measures through an automated analysis of visual data, on the one hand, and (ii) facilitating normal operation of existing vision-based services, such as biometric authentication schemes, on the other. Especially important here, are computer vision techniques that focus on the analysis of people and faces in visual data and have been affected the most by the partial occlusions introduced by the mandates for facial masks. Such computer vision based human analysis techniques include face and face-mask detection approaches, face recognition techniques, crowd counting solutions, age and expression estimation procedures, models for detecting face-hand interactions and many others, and have seen considerable attention over recent years. The goal of this survey is to provide an introduction to the problems induced by COVID-19 into such research and to present a comprehensive review of the work done in the computer vision based human analysis field. Particular attention is paid to the impact of facial masks on the performance of various methods and recent solutions to mitigate this problem. Additionally, a detailed review of existing datasets useful for the development and evaluation of methods for COVID-19 related applications is also provided. Finally, to help advance the field further, a discussion on the main open challenges and future research direction is given.

面部检测和识别是人工智能系统中最困难，经常使用的任务。这项研究的目的是介绍和比较系统中使用的几种面部检测和识别算法的结果。该系统始于人类的训练图像，然后继续进行测试图像，识别面部，将其与受过训练的面部进行比较，最后使用OPENCV分类器对其进行分类。这项研究将讨论系统中使用的最有效，最成功的策略，这些策略是使用Python，OpenCV和Matplotlib实施的。它也可以用于CCTV的位置，例如公共场所，购物中心和ATM摊位。

在Covid-19爆发之后，作为最方便，最有效的预防手段，掩盖检测在流行病预防和控制中起着至关重要的作用。出色的自动实时面具检测系统可以减轻相关人员的大量工作压力。但是，通过分析现有的掩码检测方法，我们发现它们大多是资源密集型的，并且在速度和准确性之间无法达到良好的平衡。目前还没有完美的面膜数据集。在本文中，我们提出了一种用于掩盖检测的新体系结构。我们的系统使用SSD作为掩码定位器和分类器，并用MobilenetV2进一步替换VGG-16来提取图像的功能并减少许多参数。因此，我们的系统可以部署在嵌入式设备上。转移学习方法用于将预训练的模型从其他域转移到我们的模型。我们系统中的数据增强方法（例如混合）有效防止过度拟合。它还有效地减少了对大规模数据集的依赖性。通过在实际情况下进行实验，结果表明我们的系统在实时掩模检测中的表现良好。

2019年12月，一个名为Covid-19的新型病毒导致了迄今为止的巨大因果关系。与新的冠状病毒的战斗在西班牙语流感后令人振奋和恐怖。虽然前线医生和医学研究人员在控制高度典型病毒的传播方面取得了重大进展，但技术也证明了在战斗中的重要性。此外，许多医疗应用中已采用人工智能，以诊断许多疾病，甚至陷入困境的经验丰富的医生。因此，本调查纸探讨了提议的方法，可以提前援助医生和研究人员，廉价的疾病诊断方法。大多数发展中国家难以使用传统方式进行测试，但机器和深度学习可以采用显着的方式。另一方面，对不同类型的医学图像的访问已经激励了研究人员。结果，提出了一种庞大的技术数量。本文首先详细调了人工智能域中传统方法的背景知识。在此之后，我们会收集常用的数据集及其用例日期。此外，我们还显示了采用深入学习的机器学习的研究人员的百分比。因此，我们对这种情况进行了彻底的分析。最后，在研究挑战中，我们详细阐述了Covid-19研究中面临的问题，我们解决了我们的理解，以建立一个明亮健康的环境。

在这项研究中，在使用Flickr-Faces-HQ和SpangeFaces数据集生成的遮罩与揭露面上的面部识别，我们报告了由Pandemics的掩模穿着掩盖穿着的识别性能的36.78％劣化，特别是在边境检查点情景中。在跨光谱域中的高级深度学习方法，我们取得了更好的性能并降低了1.79％的劣化。

In the current times, the fear and danger of COVID-19 virus still stands large. Manual monitoring of social distancing norms is impractical with a large population moving about and with insufficient task force and resources to administer them. There is a need for a lightweight, robust and 24X7 video-monitoring system that automates this process. This paper proposes a comprehensive and effective solution to perform person detection, social distancing violation detection, face detection and face mask classification using object detection, clustering and Convolution Neural Network (CNN) based binary classifier. For this, YOLOv3, Density-based spatial clustering of applications with noise (DBSCAN), Dual Shot Face Detector (DSFD) and MobileNetV2 based binary classifier have been employed on surveillance video datasets. This paper also provides a comparative study of different face detection and face mask classification models. Finally, a video dataset labelling method is proposed along with the labelled video dataset to compensate for the lack of dataset in the community and is used for evaluation of the system. The system performance is evaluated in terms of accuracy, F1 score as well as the prediction time, which has to be low for practical applicability. The system performs with an accuracy of 91.2% and F1 score of 90.79% on the labelled video dataset and has an average prediction time of 7.12 seconds for 78 frames of a video.

由于对人工智能的大量解释，我们日常生活的各个领域都使用了机器学习技术。在世界上，在许多情况下，可以预防简单的犯罪，甚至可能发生或找到对此负责的人。面孔是我们拥有的一个独特特征，并且可以轻松区分许多其他物种。但是，不仅不同的物种，它在确定与我们同一物种的人的人类中也起着重要作用。关于这个关键功能，如今最常发生一个问题。当相机指向时，它无法检测到一个人的脸，并且变成了糟糕的图像。另一方面，在安装了抢劫和安全摄像头的地方，由于较低的摄像头，强盗的身份几乎无法区分。但是，仅制作出出色的算法来工作和检测面部就会降低硬件的成本，而专注于该领域的成本并不多。面部识别，小部件控制等可以通过正确检测到面部来完成。这项研究旨在创建和增强正确识别面孔的机器学习模型。总共有627个数据是从孟加拉国不同的四个天使的面孔中收集的。在这项工作中，CNN，Harr Cascade，Cascaded CNN，Deep CNN和MTCNN是实施的五种机器学习方法，以获得我们数据集的最佳准确性。创建和运行模型后，多任务卷积神经网络（MTCNN）通过培训数据而不是其他机器学习模型实现了96.2％的最佳模型精度。

基于全面的生物识别是一个广泛的研究区域。然而，仅使用部分可见的面，例如在遮盖的人的情况下，是一个具有挑战性的任务。在这项工作中使用深卷积神经网络（CNN）来提取来自遮盖者面部图像的特征。我们发现，第六和第七完全连接的层，FC6和FC7分别在VGG19网络的结构中提供了鲁棒特征，其中这两层包含4096个功能。这项工作的主要目标是测试基于深度学习的自动化计算机系统的能力，不仅要识别人，还要对眼睛微笑等性别，年龄和面部表达的认可。我们的实验结果表明，我们为所有任务获得了高精度。最佳记录的准确度值高达99.95％，用于识别人员，99.9％，年龄识别的99.9％，面部表情（眼睛微笑）认可为80.9％。

根据世界卫生组织（WHO）的数据，据估计，仅在2020年，疟疾就会造成627,000人死亡，并感染了超过2.41亿人，比2019年增加了12％。对血细胞的微观诊断是诊断疟疾的标准测试程序。但是，这种诊断方式是昂贵的，耗时的，并且对人为错误的主观为主观，尤其是在缺乏训练有素的人员进行高质量显微镜检查的发展中国家。本文提出了质量划线（MAISCOPE）：一种新型，低成本的便携式设备，可以拍摄显微镜图像，并自动检测带有嵌入式AI的疟疾寄生虫。该设备有两个子系统。第一个子系统是一个在设备上的多层深度学习网络，可从微观图像中检测红细胞（RBC），然后是疟疾寄生虫分类器，该分类剂识别单个RBC中的疟疾寄生虫。测试和验证表明，使用TensorFlow Lite，在检测模型的同时，在解决有限的存储和计算能力的同时，分类的平均精度为89.9％，平均精度为61.5％。该系统还具有云同步，该系统将图像连接到Internet时将图像发送到云中，以进行分析和模型改进目的。第二个子系统是由Raspberry Pi，相机，触摸屏显示器和创新的低成本珠显微镜等组件组成的硬件。珠显微镜的评估与昂贵的光显微镜相似。该设备设计为可移植并在没有互联网或电源的远程环境中工作。该解决方案可扩展到需要显微镜检查的其他疾病，并可以帮助标准化发展中国家农村地区疾病诊断的自动化。

2019年冠状病毒为全球社会稳定和公共卫生带来了严重的挑战。遏制流行病的一种有效方法是要求人们在公共场所戴口罩，并通过使用合适的自动探测器来监视戴口罩状态。但是，现有的基于深度学习的模型努力同时达到高精度和实时性能的要求。为了解决这个问题，我们提出了基于Yolov5的改进的轻质面膜探测器，该检测器可以实现精确和速度的良好平衡。首先，提出了将ShuffleNetV2网络与协调注意机制相结合的新型骨干轮弹工具作为骨干。之后，将有效的路径攻击网络BIFPN作为特征融合颈应用。此外，在模型训练阶段，定位损失被α-CIOU取代，以获得更高质量的锚。还利用了一些有价值的策略，例如数据增强，自适应图像缩放和锚点群集操作。 Aizoo面膜数据集的实验结果显示了所提出模型的优越性。与原始的Yolov5相比，提出的模型将推理速度提高28.3％，同时仍将精度提高0.58％。与其他七个现有型号相比，它的最佳平均平均精度为95.2％，比基线高4.4％。

面部检测是为了在图像中搜索面部的所有可能区域，并且如果有任何情况，则定位面部。包括面部识别，面部表情识别，面部跟踪和头部姿势估计的许多应用假设面部的位置和尺寸在图像中是已知的。近几十年来，研究人员从Viola-Jones脸上检测器创造了许多典型和有效的面部探测器到当前的基于CNN的CNN。然而，随着图像和视频的巨大增加，具有面部刻度的变化，外观，表达，遮挡和姿势，传统的面部探测器被挑战来检测野外面孔的各种“脸部。深度学习技术的出现带来了非凡的检测突破，以及计算的价格相当大的价格。本文介绍了代表性的深度学习的方法，并在准确性和效率方面提出了深度和全面的分析。我们进一步比较并讨论了流行的并挑战数据集及其评估指标。进行了几种成功的基于深度学习的面部探测器的全面比较，以使用两个度量来揭示其效率：拖鞋和延迟。本文可以指导为不同应用选择合适的面部探测器，也可以开发更高效和准确的探测器。

在SARS-COV-2大流行期间，戴着面膜穿着成为防止传播和收缩病毒的有效工具。监测人口中面膜速率的能力将用于确定对病毒的公共卫生策略。然而，用于检测面罩的人工智能技术尚未在现实​​生活中以大规模部署在公共场合的大规模中。在本文中，我们介绍了由两个单独的模块组成的两步​​面掩模检测方法：1）面部检测和对准，2）面掩模分类。这种方法使我们能够尝试不同的面部检测和面罩分类模块的组合。更具体地说，我们尝试使用金字塔和视网膜作为面部探测器，同时保持面罩分类模块的轻质骨干。此外，我们还提供了Aizoo数据集的测试集的重叠注释，在那里我们纠正了某些面部图像的错误标签。 Aizoo和Moxa 3K数据集的评估结果表明，所提出的面罩检测管道超越了最先进的方法。所提出的管道在AIZOO数据集的重叠测试组上也产生了比原始测试集更高的映射。由于我们使用野外的面部图像培训了所提出的模型，我们可以成功部署我们的模型来使用公共CCTV图像监控戴掩模速率。

Video, as a key driver in the global explosion of digital information, can create tremendous benefits for human society. Governments and enterprises are deploying innumerable cameras for a variety of applications, e.g., law enforcement, emergency management, traffic control, and security surveillance, all facilitated by video analytics (VA). This trend is spurred by the rapid advancement of deep learning (DL), which enables more precise models for object classification, detection, and tracking. Meanwhile, with the proliferation of Internet-connected devices, massive amounts of data are generated daily, overwhelming the cloud. Edge computing, an emerging paradigm that moves workloads and services from the network core to the network edge, has been widely recognized as a promising solution. The resulting new intersection, edge video analytics (EVA), begins to attract widespread attention. Nevertheless, only a few loosely-related surveys exist on this topic. A dedicated venue for collecting and summarizing the latest advances of EVA is highly desired by the community. Besides, the basic concepts of EVA (e.g., definition, architectures, etc.) are ambiguous and neglected by these surveys due to the rapid development of this domain. A thorough clarification is needed to facilitate a consensus on these concepts. To fill in these gaps, we conduct a comprehensive survey of the recent efforts on EVA. In this paper, we first review the fundamentals of edge computing, followed by an overview of VA. The EVA system and its enabling techniques are discussed next. In addition, we introduce prevalent frameworks and datasets to aid future researchers in the development of EVA systems. Finally, we discuss existing challenges and foresee future research directions. We believe this survey will help readers comprehend the relationship between VA and edge computing, and spark new ideas on EVA.

近年来使用卷积神经网络对近年来的脸部检测进行了巨大进展。虽然许多面部探测器使用指定用于检测面的设计，但我们将面部检测视为通用对象检测任务。我们基于YOLOV5对象检测器实现了面部探测器，并调用它YOLO5FACE。我们对YOLOV5进行了一些关键修改，并优化了面部检测。这些修改包括在SPP中使用较小尺寸内核在骨干内使用杆块添加五点地标回归头，并在平移块中添加P6输出。我们从超大型模型设计不同型号大小的探测器，以实现对嵌入或移动设备的实时检测的超小型模型的最佳性能。实验结果在viderface数据集上显示，在VGA图像上，我们的脸部探测器可以在几乎所有简单，介质和硬的子集中实现最先进的性能，超过更复杂的指定面检测器。代码可用于\ url {https://github.com/deepcam-cn/yolov5-face}

自治机器人目前是最受欢迎的人工智能问题之一，在过去十年中，从自动驾驶汽车和人形系统到交付机器人和无人机，这是一项最受欢迎的智能问题。部分问题是获得一个机器人，以模仿人类的感知，我们的视觉感，用诸如神经网络等数学模型用相机和大脑的眼睛替换眼睛。开发一个能够在没有人为干预的情况下驾驶汽车的AI和一个小型机器人在城市中递送包裹可能看起来像不同的问题，因此来自感知和视觉的观点来看，这两个问题都有几种相似之处。我们目前的主要解决方案通过使用计算机视觉技术，机器学习和各种算法来实现对环境感知的关注，使机器人理解环境或场景，移动，调整其轨迹并执行其任务（维护，探索，等。）无需人为干预。在这项工作中，我们从头开始开发一个小型自动车辆，能够仅使用视觉信息理解场景，通过工业环境导航，检测人员和障碍，或执行简单的维护任务。我们审查了基本问题的最先进问题，并证明了小规模采用的许多方法类似于来自特斯拉或Lyft等公司的真正自动驾驶汽车中使用的方法。最后，我们讨论了当前的机器人和自主驾驶状态以及我们在这一领域找到的技术和道德限制。

卫生组织建议社会疏远，佩戴面罩，避免触摸面，以防止冠状病毒的传播。根据这些保护措施，我们开发了一种计算机视觉系统，以帮助防止Covid-19的传输。具体地，开发系统执行面部掩模检测，面部手互动检测，并测量社交距离。要培训和评估发达的系统，我们收集和注释图像，代表现实世界中的面部掩模使用和面部手互动。除了在自己的数据集上评估开发系统的性能外，还在文献中的现有数据集中测试了它，而不会对它们进行任何适应性。此外，我们提出了一个模块，以跟踪人之间的社交距离。实验结果表明，我们的数据集代表了真实世界的多样性。所提出的系统实现了面罩使用检测，面部手互动检测和在看不见的数据的真实情况下测量社会距离的高性能和泛化容量。数据集将在https://github.com/ilemeyiokur/covid-19-preventions-control -system中获得。

本文的目的是为社区提供创新的新兴技术框架，用于打击流行病情况。本文提出了一种基于人工智能和边缘计算的独特的疫情响应系统框架，为公民中心服务提供帮助跟踪和跟踪公共或工作场所设置中的屏蔽检测和社会疏散度量等安全政策。该框架还提供工业设置的实施指南，以及治理和联系跟踪任务。因此，通过将导致智能城市规划和发展，重点是有助于提高生活质量的公民卫生系统。呈现的概念框架通过通过研究人员的公共网站的次要数据收集来验证，通过研究人员的公共网站，GitHub存储库和着名的期刊以及进一步的基准测试在Microsoft Azure云环境中进行实验结果进行了实验结果。该研究包括用于基准分析的选择性AI模型，并在大规模社会设置中评估了边缘计算环境中的性能和准确性。对象检测任务中的总体yolo模型优于窗口检测任务中的更快，适用于掩模检测和HRNETV2优异性语义分割问题，以解决AI-Edge推理环境设置中的社会疏散任务。本文提出了新的Edge-AI算法，用于建立技术为导向的解决方案，用于检测人类运动和社会距离的面罩。本文丰富了人工智能和边缘计算的技术进步，适用于社会和医疗保健系统的问题。该框架进一步配备了政府机构，系统提供商来设计和构建社区设置的技术导向模型，以利用新兴技术进入智能城市环境的生活质量。

由于COVID-19，许多学校通过视频会议软件在线考试已经采用了许多学校。虽然方便，但教师要同时显示的学生变焦窗口监督在线考试是具有挑战性的。在本文中，我们提出了IEXAM，这是一种智能的在线考试监测和分析系统，不仅可以使用面部检测来帮助监护人实时学生识别，而且还可以检测到常见的异常行为（包括面部消失，旋转的面部，旋转的面部，旋转，，旋转，并在考试期间用另一个人替换）通过基于面部识别后的外观后视频分析。为了建立这样的新型系统，我们克服了三个挑战。首先，我们发现了一种轻巧的方法来捕获考试视频流并实时分析它们。其次，我们利用每个学生的变焦窗口上显示的左角名称，并提出了改进的OCR（光学角色识别）技术来自动收集具有动态位置的学生面孔的地面真相。第三，我们进行了几次实验比较和优化，以有效缩短教师PC所需的训练时间和测试时间。我们的评估表明，IEXAM可以实现高精度，实时面部检测为90.4％，后验后面部识别率为98.4％，同时保持可接受的运行时性能。我们已经在https://github.com/vprlab/iexam上提供了IEXAM的源代码。