Для решения проблемы низкой точности обнаружения из-за перегруженности и взаимного закрытия пешеходов в сложных природных сценах был предложен алгоритм плотного обнаружения пешеходов YOLOv7 на основе оптимизации весов. Во-первых, для извлечения признаков пешеходов, скрытых друг за другом, был использован эффективный многомасштабный механизм внимания в пространстве (EMA), который перераспределяет веса основной сети и изучает корреляцию между различными каналами признаков через измерения для усиления фокуса модели на области видимости пешеходов. Во-вторых, был разработан эффективный легковесный модуль связи (ELCM), который направлен на повышение выразительной способности модели и ускорение скорости обучения для преодоления высокой сложности модели обнаружения. Наконец, была создана функция потерь фокусировки граничных рамок Focal-SIoU, которая сосредотачивается на подавлении низкокачественных образцов и добавляет угловую потерю для улучшения точности обнаружения модели. Результаты экспериментов показали, что предложенный алгоритм достиг средней точности на наборах данных обнаружения пешеходов Wider-Person и Crowd Human в 83,7% и 82,6% соответственно, что свидетельствует о значительном преимуществе обнаружения в плотно перегруженных группах людей по сравнению с другими передовыми алгоритмами.

Плотное обнаружение пешеходов, оптимизация весов, функция потерь фокусировки граничных рамок, YOLOv7