La détection de personnes dans des images 2D uniques a considérablement progressé ces dernières années. Cependant, une part relativement faible de ces avancées s'est réellement intégrée aux algorithmes de suivi multi-caméras et multi-personnes, dont les performances se détériorent encore sévèrement lorsque les scènes deviennent très bondées. Dans ce travail, nous introduisons une nouvelle architecture qui combine les Réseaux Neuronaux Convolutifs (Convolutional Neural Nets) et les Champs Aléatoires Conditionnels (Conditional Random Fields) pour modéliser explicitement ces ambiguïtés. L'un de ses ingrédients clés est l'utilisation de termes d'ordre supérieur des CRF qui modélisent les occultations potentielles et confèrent à notre approche sa robustesse même en présence de nombreuses personnes. Notre modèle est formé de manière end-to-end, et nous montrons qu'il surpasse plusieurs algorithmes de pointe sur des scènes difficiles.