Das Aggregieren zusätzlicher Merkmale wird als ein effektiver Ansatz zur Verbesserung traditioneller Fußgängererkennungsmethoden angesehen. Allerdings fehlen noch Studien darüber, ob und wie CNN-basierte Fußgängererkennungsverfahren von diesen zusätzlichen Merkmalen profitieren können. Der erste Beitrag dieser Arbeit besteht darin, diese Fragestellung zu untersuchen, indem zusätzliche Merkmale in einen CNN-basierten Fußgängererkennungsrahmen integriert werden. Durch umfangreiche Experimente bewerten wir die Auswirkungen verschiedener Arten von zusätzlichen Merkmalen quantitativ. Darüber hinaus schlagen wir eine neue Netzarchitektur vor, den sogenannten HyperLearner, der die Fußgängererkennung sowie das gegebene zusätzliche Merkmal gemeinsam erlernen kann. Durch Mehraufgaben-Training ist der HyperLearner in der Lage, die Informationen der gegebenen Merkmale zu nutzen und die Erkennungsleistung ohne zusätzliche Eingaben während der Inferenz zu verbessern. Die experimentellen Ergebnisse auf mehreren Fußgängerbenchmark-Datensätzen bestätigen die Effektivität des vorgeschlagenen HyperLearners.