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

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

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

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

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

提出了一种称为 Visible Feature Guidance (VFG) 的机制，通过可见性特征对人行检测任务中的 Bounding Box 进行可视回归，使用 Hungarian algorithm 关联人体部位，能够提高人行检测的性能。

Aug, 2020

Euro-PVI 数据集更好地模拟了密集城市场景中的行人和自行车与车辆的交互，我们提出 Joint-$eta$-cVAE 方法通过学习多模态共享潜在空间，更好地模拟了未来轨迹的分布，实现了在 nuScenes 和 Euro-PVI 数据集上的接近最优的结果。

Jun, 2021

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

本文提出了一种应用社交条件变分自动编码器（SocialCVAE）来预测行人轨迹的方法，该方法利用条件变分自动编码器（CVAE）来探索人类运动决策中的行为不确定性，通过使用基于能量的相互作用模型生成交互能量图，提高了行人轨迹预测的准确性。

Feb, 2024