Les modèles de détection de piétons les plus avancés ont obtenu d'excellents résultats dans de nombreux benchmarks. Cependant, ces modèles nécessitent une grande quantité d'informations d'annotation, et le processus d'étiquetage prend généralement beaucoup de temps et d'efforts. Dans cet article, nous proposons une méthode pour générer des données de piétons étiquetées et les adapter afin de soutenir l'entraînement des détecteurs de piétons. Le cadre proposé est basé sur un réseau génératif adversarial (GAN) avec plusieurs discriminateurs, visant à synthétiser des piétons réalistes tout en apprenant le contexte du fond simultanément. Pour gérer les piétons de différentes tailles, nous utilisons une couche de pooling pyramidale spatiale (SPP) dans le discriminateur. Nous menons des expériences sur deux benchmarks. Les résultats montrent que notre cadre peut synthétiser en douceur des piétons sur des images de fond variées et à différents niveaux de détail. Pour évaluer quantitativement notre approche, nous ajoutons les échantillons générés aux données d'entraînement des détecteurs de piétons de base et montrons que les images synthétiques sont capables d'améliorer les performances des détecteurs.