追加の特徴量を統合することは、従来の歩行者検出方法を向上させる効果的なアプローチとされています。しかし、CNN（畳み込みニューラルネットワーク）ベースの歩行者検出器がこれらの追加特徴量からどのように利益を得られるかについての研究はまだ不足しています。本論文の第一の貢献は、CNNベースの歩行者検出フレームワークに追加特徴量を統合することによってこの問題を探ることです。広範な実験を通じて、異なる種類の追加特徴量の効果を定量的に評価しました。さらに、歩行者検出と与えられた追加特徴量を同時に学習する新しいネットワークアーキテクチャであるHyperLearner（ハイパーラーナー）を提案します。マルチタスク学習により、ハイパーラーナーは推論時に追加入力なしで与えられた特徴量の情報を活用し、検出性能を向上させることができます。複数の歩行者ベンチマークにおける実験結果は、提案されたハイパーラーナーの有効性を証明しています。