低光照条件下的行人检测：综述
综述了最近在低光条件下行人检测方法的发展，系统地对基于区域、非区域和图形学习方法的各种算法进行分类和分析，同时着重介绍了这些算法的方法学、实施问题和挑战，还概述了可用于研究和开发先进行人检测算法的关键基准数据集，特别是在低光情况下。
Nov, 2023
本文概述了近年来关于行人检测的研究进展，主要包括采用手工特征和深度特征的方法，单通道和多通道行人检测的研究，以及相关数据集和评价指标的介绍。作者还强调了当前需要解决的问题和未来的研究方向。
Oct, 2020
本文提出一种基于多任务学习的多光谱行人检测框架，利用新颖的感知权重机制、带 illumination-aware 的深层卷积神经网络等技术，提高了检测和语义分割的性能。实验结果表明，该方法在 KAIST 多光谱行人数据集上性能超过了现有的最先进方法。
Feb, 2018
项目中，我们通过图像融合技术对数据集进行预处理，然后使用 Vision Transformer 模型从融合图像中检测行人。在评估过程中，我们将比较 YOLOv5 和改进后的 ViT 模型在融合图像上的性能。
Mar, 2023
本研究针对光照不足条件下的多光谱行人检测，提出了一种融合网络架构，包括多光谱提议网络和多光谱分类网络。该网络通过同时优化行人检测和语义分割任务进行学习，并通过整合不同模式和两个阶段的输出来获得最终的检测结果，在 KAIST 数据集上显著优于现有方法。此外，作者也提供了一个经过消毒的 KAIST 数据集训练标注，帮助解决不同种类标注错误的问题。
Aug, 2018
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
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
本文提出了一种基于语义分割的人行检测算法，通过联合监督语义分割和人行检测，使得神经网络在不损失效率的情况下大幅度提高检测准确率，实验证明该方法较先进算法在 Caltech 数据集上有显著的提高。
Jun, 2017