本文提出了一种名为 Double Anchor R-CNN 的框架， 处理拥挤场景下的人体检测，通过身体和头部匹配双重先验区域提出与提出交叉策略以及联合的后期处理模块，实现在拥挤场景下同时检测每个人的头部和身体，并在 CrowdHuman， COCOPersons（拥挤子数据集）和 CrowdPose（拥挤子数据集）数据集上取得了最新颖的结果。

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

提出了一种基于 proposal 的物体检测器，通过使用相关实例集而不是单个实例来预测每个 proposal，引入 EMD Loss 和 Set NMS 等新技术，能够有效处理高度重叠物体的检测难度，在 CrowdHuman 数据集上获得 4.9% 的 AP 收益，在 CityPersons 数据集上获得 1.0% 的 MR^-2 收益，在 COCO 等数据集上也能够取得适度的改进效果。

Mar, 2020

本论文提出了一种新的基于查询的检测框架，利用一对一标签分配规则，提出了一种渐进式预测方法来解决拥挤场景下已有检测器多次预测和性能饱和的问题；实验表明，这种方法可以显著提高拥挤场景下基于查询的检测器的性能并具有稳健性，可以在各种场景中实现一致的改进效果。

Mar, 2022

本研究利用全局 CNN 模型和成对 CNN 模型来检测自然场景下的人头部位，通过引入新的数据集进行测试，结果显著提高了人头部位检测的准确性，并优化了检测速度。

Nov, 2015

本文提出了一种新的代表区域 NMS 方法，利用较少被遮挡的可见部分，有效地去除冗余框而不带来太多的误报，同时还提出了一种新颖的配对框模型，以同时预测行人的全身和可见框，并在充满挑战的 CrowdHuman 和 CityPersons 基准测试上表明了所提出的方法在人群密集情况下的行人检测是有效的。

Mar, 2020

本文提出一种名为 SG-Det 的模型，使用一种新颖的嵌入机制来联合利用检测框的语义和几何特征，从而在面对类内遮挡较多的场景时显著提高了检测召回率，特别适用于城市场景的汽车和行人检测，在 KITTI 和 CityPersons 数据集上展示了 SG-Det 模型的最优性能。

Dec, 2019

本文针对使用 Mask RCNN 进行人体姿态估计时存在的性能问题及效率问题，提出了一种基于改进后的全局上下文模块和 ResNet-50 骨架的人体姿态估计方法，取得了较好的姿态估计效果和运行效率。

Jan, 2023

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