本文介绍了利用额外特征增强 CNN-based 行人检测方法的有效性，并提出了一种利用多任务训练学习额外特征的网络结构 HyperLearner，通过多次实验得出这种方法的有效性。

May, 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

本文提出 Feature Fusion Net 模型，使用手工制作的直方图和纹理特征，能够与卷积神经网络 (CNN) 特征互补，可以得到一个更具区分性和紧凑的深度特征表示，并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。

Apr, 2016

本文针对行人检测问题，提出了一种基于语义分割和自注意力机制的多任务网络方法，在弱标注图像数据集上，并入注意力信息，提高了检测性能，在 Caltech 数据集上达到了 MR 为 6.27% 的最佳检测性能，同时在 CityPersons 数据集上保持高计算效率。

Feb, 2019

本文介绍了一种基于深度卷积神经网络的感知网络（PerceptionNet），其应用于多模态时间序列传感器数据中的后期二维卷积，以自动提取用于人类动作识别的有效特征。我们通过在两个公共可用的 HAR 数据集上进行评估来展示我们的方法，表明所提出的模型有效地融合了多模态传感器，并通过超过 3％的平均准确度优于基于：（i）从人体中提取的特征，（ii）利用早期融合方法的深度卷积神经网络和（iii）长期短期记忆（LSTM）的最先进的 HAR 方法。

Nov, 2018

该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。

Jul, 2017

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

提出了基于深度神经网络的快速、精准行人检测方法，并将像素级语义分割网络集成到网络融合架构中，以提高检测性能和速度。该方法比现有技术更好地检测小尺寸和遮挡的行人，在 Caltech 行人数据集的多个指标上效果显著优于其他方法。

Oct, 2016

本文介绍了一种基于深度学习框架的新型特征学习方法 - 特征校准网络 (FC-Net)，该方法能够自适应检测含有多种遮挡情况的行人。作者通过引入自激活模块和特征校准模块，在学习特征时能够突出行人可见部分，压制遮挡部分。实验结果表明，在 CityPersons 和 Caltech 数据集上，FC-Net 在遮挡行人检测准确率上提高了 10%，同时在无遮挡情况下的检测表现仍然出色。

Dec, 2022

本文介绍了一种基于注意力网络的被遮挡行人检测方法，具备在 CityPersons 和 Caltech 两个数据集上超过现有方法的鲁棒性能

Oct, 2019