Frente al problema de baja precisión en la detección causado por la congestión de peatones y la oclusión mutua en escenas naturales complejas, se propone un algoritmo de detección densa de peatones basado en la optimización de pesos YOLOv7. Primero, para el problema de extracción de características de peatones ocluidos, se utiliza un Módulo de Atención Multiescala Eficiente con Aprendizaje Cruzado Espacial (Efficient Multi-Scale Attention Module with Cross-Spatial Learning, EMA) para redistribuir los pesos de la red troncal y aprender la correlación entre características de diferentes canales a través de dimensiones, con el fin de aumentar la atención del modelo a las áreas visibles del objetivo peatonal. Segundo, ante la alta complejidad del modelo de detección, se diseñó un Módulo de Conexión Ligero y Eficiente (Efficient Lightweight Connection Module, ELCM), con el objetivo de mejorar la capacidad de expresión del modelo y acelerar la velocidad de entrenamiento. Finalmente, se construyó una función de pérdida focalizada en la caja delimitadora Focal-SIoU loss, que se centra en suprimir muestras de baja calidad y se añadió una pérdida angular para mejorar la precisión del modelo. Los resultados experimentales muestran que el algoritmo propuesto alcanza una media de precisión promedio del 83,7% y 82,6% en los conjuntos de datos de detección de peatones Wider-Person y Crowd Human, respectivamente, demostrando una ventaja significativa en la detección de multitudes densas en comparación con otros algoritmos avanzados.

Detección densa de peatones; optimización de pesos; función de pérdida focalizada en caja delimitadora; YOLOv7