في السيناريوهات الكثيفة، يؤدي تعرض جسد المشاة للغطاء واختلاف مقاسات المشاة إلى انخفاض دقة الكاشف. بينما غالبًا ما يكون تغطية رأس المشاة أقل حدة، لذا يمكن استخدامه للمساعدة في الكشف. لذلك، تم اقتراح خوارزمية لاكتشاف المشاة تعتمد على الدمج بين معلومات الرأس والمعلومات الكلية. أولاً، تم تصميم شبكة استخراج خصائص مبنية على الاتصال الكثيف والدمج المعزز لتعزيز استخراج الخصائص متعددة المقاييس، مما يحسن حساسية الشبكة لاكتشاف المشاة بمقاييس متعددة. ثانيًا، تم تحسين آلية أخذ العينات في وحدة اقتراح المناطق، واقترحت استراتيجية استخراج عينات صعبة غير متجانسة مبنية على تقييم نسبة التداخل في التغطية، مع التركيز على العينات الصعبة التي تعاني من تغطية شديدة لتحسين قدرة الشبكة على التكيف مع التغطية. بعد ذلك، بُنيت استراتيجية الكشف المشتركة بين الرأس والكلي، وتم تحسين مرحلة ما بعد المعالجة، حيث تُستخدم نتائج كشف الرأس لاستعادة إطارات الكشف الكلي التي تم قمعها خطأ بسبب التغطية، مما يقلل من معدل الفاقد في الاكتشاف. في نفس الوقت، تم تحسين دالة الخسارة بناءً على خصائص إطار الكشف المشترك، مما يخفف بشكل أكبر من الخطأ في الاكتشاف والفقد بسبب التغطية. أخيرًا، تم التحقق من فعالية الخوارزمية المقترحة من خلال التجارب. أظهرت النتائج أن الخوارزمية تقلل معدل الفاقد اللوغاريتمي المتوسط بمقدار 5.7٪ وترفع الدقة المتوسطة بنسبة 4٪ على مجموعة بيانات CrowdHuman ذات التغطية العالية، وتقلل معدل الفاقد اللوغاريتمي المتوسط بنسبة 2.4٪ و 2.1٪ على مجموعتي فرعية بمقاييس صغيرة من مجموعة بيانات TJU-DHD-pedestrian، مما يحسن بشكل فعال قدرة الكشف على الأهداف المشاة المغطاة والمشاة متعددة المقاييس.

كشف المشاة; الكشف المشترك; دمج الخصائص متعددة المقاييس; استخراج العينات الصعبة; تحسين معالجة المابعد