摘要
聚合额外特征被认为是提升传统行人检测方法的有效途径。然而，目前仍缺乏关于基于卷积神经网络（CNN）的行人检测器是否以及如何从这些额外特征中受益的研究。本文的第一个贡献在于通过将额外特征整合到基于CNN的行人检测框架中来探讨这一问题。通过大量实验，我们定量评估了不同种类额外特征的效果。此外，我们提出了一种新的网络架构，即HyperLearner，用于联合学习行人检测和给定的额外特征。通过多任务训练，HyperLearner能够在推理时无需额外输入的情况下利用给定特征的信息并提高检测性能。在多个行人基准数据集上的实验结果验证了所提出的HyperLearner的有效性。