복잡한 자연 환경에서 보행자의 밀집과 상호 가림으로 인해 검출 정확도가 낮아지는 문제를 해결하기 위해 최적화된 가중치를 기반으로 한 YOLOv7 밀집 보행자 검출 알고리즘을 제안한다. 먼저, 가려진 보행자의 특징 추출 문제를 위해 공간 간 효율적인 다중 스케일 주의 메커니즘(Efficient Multi-Scale Attention Module with Cross-Spatial Learning, EMA)을 이용하여 백본 네트워크의 가중치를 재배분하고, 차원 간 서로 다른 채널 특징 간의 상관성을 학습하여 모델이 보행자 목표의 가시 영역에 집중할 수 있도록 강화한다. 둘째, 검출 모델의 복잡성이 높은 문제를 해결하기 위해 효율적이고 경량화된 연결 모듈(Efficient Lightweight Connection Module, ELCM)을 설계하여 모델 표현력을 향상시키는 동시에 학습 속도를 가속화한다. 마지막으로, 저품질 샘플 억제에 중점을 둔 포컬 경계 상자 손실 함수(Focal-SIoU loss)를 구축하고, 각도 손실을 추가하여 모델의 검출 정확도를 높인다. 실험 결과, 제안한 알고리즘은 보행자 검출 데이터셋인 Wider-Person과 Crowd Human에서 각각 평균 정확도 83.7%와 82.6%를 달성하였으며, 다른 최신 알고리즘과 비교해 밀집 인파 검출 작업에서 뛰어난 검출 우위를 보였다.

밀집 보행자 검출; 최적화 가중치; 포컬 경계 상자 손실 함수; YOLOv7