تعتبر تجميع الخصائص الإضافية نهجًا فعالًا لتعزيز طرق الكشف التقليدية عن المشاة. ومع ذلك، لا يزال هناك نقص في الدراسات حول ما إذا وكيف يمكن للكشف عن المشاة القائم على شبكات العصبونات المُعَمَّقة (CNN) الاستفادة من هذه الخصائص الإضافية. يعتبر أول إسهام لهذه الورقة البحثية هو استكشاف هذه المسألة من خلال تجميع الخصائص الإضافية في إطار الكشف عن المشاة القائم على شبكات العصبونات المُعَمَّقة. من خلال التجارب الواسعة، قمنا بتقييم آثار أنواع مختلفة من الخصائص الإضافية بشكل كمي. بالإضافة إلى ذلك، نقترح هندسة شبكة جديدة، والتي نطلق عليها اسم HyperLearner، لتعلم الكشف عن المشاة وكذلك الخصائص الإضافية المعطاة بشكل مشترك. بفضل التدريب متعدد المهام، يمكن لـ HyperLearner استخدام معلومات الخصائص المعطاة وتحسين أداء الاكتشاف دون الحاجة إلى مدخلات إضافية أثناء الاستدلال. تؤكد النتائج التجريبية على عدة مقاييس لكشف المشاة فعالية HyperLearner المقترح.