该论文提出了一种名为 PedHunter 的有效和高效检测网络，引入了强大的遮挡处理能力来检测拥挤场景中的行人，采用掩码引导模块增强骨干网络的特征表示学习，改进正样本的质量提高分类准则，采用模拟遮挡数据来提高遮挡鲁棒性，在三个行人检测数据集上取得了最先进的结果，并发布了一个包含超过 162k 高质量手动标记实例的新行人数据集 SUR-PED，以便于进一步研究监视场景中的遮挡行人检测。

Sep, 2019

本文提出一种新的遮挡感知 R-CNN (OR-CNN) 检测算法来提高人群中行人检测的准确率，其中使用的新型聚合损失来将建议的探测框紧密地与相应的对象定位；使用新的部分遮挡感知 ROI 池化单元来整合人体结构的前期结构信息以及可见性预测到网络中来处理遮挡，此检测器在三个行人检测数据集上达到了最新的结果，并且在 Caltech 上与最新技术持平。

Jul, 2018

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

我们提出了一种基于特征补全和对抗学习的行人检测方法，通过对被遮挡区域进行特征补全，实现了行人特征的对齐，实验证明该方法在重度遮挡场景下取得了显著改进，并在多个数据集上达到了最先进的结果。

May, 2024

本文提出了一个综合框架 DAG (Data, Attention, Graph)，用于解决因遮挡引起的性能降级问题。通过模拟遮挡场景，引入了掩蔽关节与实例粘贴数据增强技术；通过自适应判别注意力模块 (ADAM) 有效增强目标个体的特征；通过特征引导的多跳图卷积网络 (FGMP-GCN) 充分探索身体结构的先验知识，并提高姿势估计结果。通过在三个用于遮挡人体姿势估计的基准数据集上进行了广泛的实验，我们证明了所提出的方法优于现有的方法。代码和数据将公开提供。

Dec, 2023

针对密集环境下行人检测中存在的遮挡和高度拥挤等问题，本文提出了一种基于属性感知的行人检测器，采用深度学习框架，利用属性特征进行检测和区分，引入了基于属性特征的非极大值抑制，设计了一种新的数据集以缓解训练过程中的困难，实验表明该方法在行人检测方面优于目前的最新方法。

Oct, 2019

本论文介绍了一个利用自动提取的场景上下文信息的多摄像头全局组合行人检测方法，通过语义分割技术获得上下文信息用于自动生成场景的共同区域，从而获取一系列的联合检测框。相比其他同类方法，本文提出的方法具有场景无关性和实现的快速性，且在五个公共数据集上验证具有更好的性能。

Dec, 2018

该论文提出了一种名为 HBAN 的方法，通过引入人头的先验信息，采用对称的人体部位检测方法以及对齐损失函数，有效地增强了行人检测的性能和稳健性。

Nov, 2019

本研究中，我们提出了一种联合检测深度学习模型，用于解决在高密度人群中识别和跟踪行人的问题，实验数据表明，该模型在小型和中型行人检测方面取得了最先进的结果。

Apr, 2023

在多个行人追踪中，我们提出了一个适应性的遮挡感知多行人追踪器，OccluTrack，通过显式的运动估计、可靠的外观特征提取和公平的关联，解决了部分遮挡引起的异常检测问题。我们的 OccluTrack 在 MOT-Challenge 数据集中表现出卓越的性能，尤其在追踪和关联性能上取得了显著的改进。

Sep, 2023