本文首先介绍了传统目标检测方法的局限性，并概述了YOLOv3的优点。相比于其他算法，YOLOv3算法利用卷积神经网络对图像进行全局感受野的处理，从而获得更高的检测精度和较快的处理速度。其次，本文详细地介绍了YOLOv3的架构和工作流程。YOLOv3使用了Darknet-53作为其主干网络，与之前的版本相比，YOLOv3增加了更多的卷积层和残差连接，使其可以更好地捕获图像特征。

本文引用了一种基于改进YOLOv3的行人目标检测方法。该方法主要改进了YOLOv3在行人检测方面的不足之处，并提出了一些新的思路和方法。首先，我们改进了YOLOv3的骨干网络部分，并增加了一些额外的数据增强方法；其次，该算法具有有效的特征融合方法，可以在保持较高召回率的同时提高准确率；最后，我们以多组场景为例，对该方法进行了实验评测，结果表明相较于原始的YOLOv3，我们的方法在行人目标检测方面取得了更好的性能，同时对于不同场景的适应能力也有所提升。

最后，本文还展示了YOLOv3与其他目标检测算法进行了比较。研究结果表明，YOLOv3在检测准确率和精度方面均表现出卓越的优势，使其成为当前最先进的目标检测算法之一。