L'agrégation de caractéristiques supplémentaires est considérée comme une approche efficace pour améliorer les méthodes traditionnelles de détection des piétons. Cependant, il manque encore des études sur la manière dont les détecteurs de piétons basés sur les CNN (Convolutional Neural Networks) peuvent bénéficier de ces caractéristiques supplémentaires. La première contribution de cet article consiste à explorer cette question en intégrant des caractéristiques supplémentaires dans le cadre de détection des piétons basé sur les CNN. À travers des expériences approfondies, nous évaluons quantitativement les effets de différents types de caractéristiques supplémentaires. De plus, nous proposons une nouvelle architecture de réseau, appelée HyperLearner, qui apprend conjointement la détection des piétons et les caractéristiques supplémentaires fournies. Grâce à l'entraînement multi-tâches, l'HyperLearner est capable d'utiliser les informations des caractéristiques fournies et d'améliorer les performances de détection sans nécessiter d'entrées supplémentaires lors de l'inférence. Les résultats expérimentaux sur plusieurs benchmarks de piétons valident l'efficacité de l'HyperLearner proposé.