本文研究卷积神经网络在行人检测中的应用。本研究表明，即使没有明确建立问题的模型，也可以获得具有竞争力的性能，探讨了不同训练数据（包括预训练）对卷积神经网络行人检测器性能的影响，标志谷数据集和 KITTI 数据集的实验证明本方法的有效性。

Jan, 2015

本文提出了一种主动型行人检测器，该检测器利用多层神经表示、ResNet 和 faster R-CNNs 等技术实现对行人检测，能够有效解决行人检测中小尺寸行人偏远离摄像头时检测效果不佳的问题，经实验证实具有良好的性能。

Sep, 2017

本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

Oct, 2015

分析行人检测领域中 40 多个探测器中探索的主要思想，发现存在 3 类方法，目前都达到了相似的检测质量，结合多种发布的策略，建立了一个新的决策树检测器，在 Caltech-USA 数据集上实现了当前已知的最佳性能。

Nov, 2014

本文针对 Advanced Driver-Assistance Systems (ADAS) 中行人检测的挑战，使用 YOLOv5s 框架在 Caltech 行人数据集上进行 fine-tune，并且开发了可用于准备数据和注释数据的工具箱。实验结果表明，使用作者提出的方法，行人检测任务的均值平均精度（mAP）可高达 91％，且最高帧率可达 70 FPS，是一种比其他现有技术更为有效和准确的方法。

Oct, 2022

本研究通过直接的跨数据集评估的一般性原则，发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳，主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准，而训练数据源不够密集和多样化。此外，本文提出了一条渐进的培训流水线，可以明显地提高与自动驾驶相关的行人检测的性能。

Mar, 2020

本文利用卷积网络模型，采用多阶特征提取，全局形状信息和本地独特的纹理信息相结合以及基于卷积稀疏编码的无监督方法来预训练过滤器，取得了所有主要行人数据集上的最先进和有竞争力的结果，从而解决了行人检测的实际问题。

Dec, 2012

提出了一种多相机 3D 行人检测方法，该方法不需要使用目标场景的数据进行训练，通过基于人体姿势和来自现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置，然后将这些位置投影到世界地面平面，并用新的团覆盖问题公式进行融合，同时还提出利用域通用的行人再识别模型在融合期间对行人外貌的选择性步骤，评估表明，在具有挑战性的 WILDTRACK 数据集上，所提出的方法获得了 0.569 的 MODA 和 0.78 的 F 分数，优于现有的最先进的通用检测技术。

Apr, 2021

综述了针对低光条件下行人检测的各种方法和数据集，并讨论了挑战和最近提出的解决方法，主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。

Jan, 2024

本论文提出了一种连续学习的解决方案，以解决行人检测的超出分布问题，并针对性能降低的问题制定了改进的 Elastic Weight Consolidation 方法。通过在一个数据集上进行训练和在另一个数据集上进行微调来达到学习新分布并在先前的数据集上保持性能的目的。

Jun, 2023