A detecção de pedestres em múltiplos cenários é um tema de pesquisa atual no campo da visão computacional. Apesar de o aprendizado profundo, amplamente estudado, fornecer alta precisão de detecção, a alta complexidade computacional limita seriamente sua implementação em plataformas móveis. Para isso, este artigo propõe um algoritmo leve de detecção de pedestres voltado para múltiplos cenários. O algoritmo começa construindo uma rede de fusão de características profundas e rasas para aprender as características texturais dos pedestres em múltiplas escalas; em seguida, um módulo de atenção orientado por características através de dimensões foi projetado para preservar a interação entre canais e no espaço durante a extração de características. Por fim, baseado numa estratégia de poda, os canais redundantes no modelo foram removidos para reduzir a complexidade do algoritmo. Além disso, foi projetado um algoritmo adaptativo de correção gama para mitigar interferências externas, como iluminação e sombras, em múltiplos cenários que afetam os resultados da detecção. Os resultados experimentais mostram que o método proposto pode comprimir o tamanho do modelo para 10 MB mantendo precisão de detecção semelhante, com velocidade de processamento de até 93 quadros por segundo, superando claramente os métodos predominantes atuais.

detecção de pedestres;cênarios múltiplos;rede leve;atenção orientada por características;compressão de modelo