该研究提出一种基于头部检测和轨迹跟踪的算法来解决人群密度大的环境下的行人追踪问题，并提出了一种新的衡量算法效果的指标，并在 Crowd of Heads Dataset（CroHD）上进行了比较，表现优异。

Mar, 2021

本论文针对人群姿态估计的问题，提出了通过数据增强方法、显式识别遮挡的身体部位和使用合成数据集来优化姿态估计。论文的实验结果表明这些方法提高了模型的准确性，使其在人群场景下获得了与当前最先进方法相媲美的结果。

Jul, 2019

本文介绍了一个新的数据集 CrowdHuman，用于更好地评估人群场景中的探测器，该数据集包含各种各样的遮挡问题，通过对比先前的数据集，展示了在 Cross-dataset generalization 方面的表现。

Apr, 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

提出了一个大规模的全景三维多目标检测和跟踪数据集（H3D），包括 160 个高度互动的交通场景，总共 27,721 帧并提供对应的数据标注；作者还提出了标注方法来加速标注过程并为全方位三维多目标检测和跟踪算法创建基准测试。最终，讨论了算法以及未来研究中可能出现的错误来源。

Mar, 2019

通过新构建的无人机大规模数据集 DroneCrowd，该研究设计了一种名为 STNNet 的算法，旨在解决密集人群中的物体检测、跟踪和计数。该算法借助空间 - 时间领域中下文信息处理相机拍摄的无人机视频，并通过邻域上下文丢失函数解决密集人群中的物体检测跟踪问题，并取得最先进技术方案的竞争结果。

May, 2021

该研究论文提出了一种名为 3DCrowdNet 的深度学习模型，利用 2D 人体姿态估计和基于关节回归的方法，从拥挤的实景图像中恢复出单个人的三维人体模型。

Apr, 2021

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

本文介绍了一个名为 PedX 的新数据集，它是一个大规模的多模态数据集，包含超过 5,000 个高分辨率（12MP）的立体图像和 LiDAR 数据，并提供行人的 2D 和 3D 标签。我们还提出了一种新颖的 3D 模型拟合算法，用于自动化 3D 标记，利用不同模式和新颖形状和时间先验的约束。同时，我们还展示了手动 2D 标签可以被最先进的自动标记方法替换，从而促进大规模数据集的自动生成。在控制的户外环境中配置 mocap 系统以模拟城市交叉口的行人时，我们还将所有标注的 3D 行人定位到实际世界度量空间，并使用此系统验证了生成的 3D 模型。

Sep, 2018

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