自然の複雑なシーンにおける歩行者の混雑や相互遮蔽により検出精度が低下する問題に対し、最適化された重みを基にしたYOLOv7密集歩行者検出アルゴリズムを提案する。まず、遮蔽された歩行者特徴抽出の問題に対して、空間を跨いだ効率的なマルチスケール注意機構（Efficient Multi-Scale Attention Module with Cross-Spatial Learning、EMA）を用いてバックボーンネットワークの重みを再配分し、異なるチャネル特徴間の相関を次元を跨いで学習することでモデルの歩行者ターゲット可視領域への注目を強化する。次に、検出モデルの複雑性が高い問題に対して、高効率軽量接続モジュール（Efficient Lightweight Connection Module、ELCM）を設計し、モデルの表現力を向上させつつ訓練速度を加速する。最後に、低品質サンプルの抑制に重点を置くフォーカル境界ボックス損失関数Focal-SIoU lossを構築し、角度損失を追加してモデルの検出精度を高める。実験結果は、提案アルゴリズムが歩行者検出データセットWider-PersonとCrowd Humanでそれぞれ平均精度83.7％および82.6％を達成し、他の先進的なアルゴリズムと比較して密集した群衆検出タスクで顕著な検出優位性を示すことを示した。

密集歩行者検出;最適化重み;フォーカル境界ボックス損失関数;YOLOv7