歩行者検出は深層学習技術の進展により近年急速な発展を遂げており、多くの検出器は一般的な物体検出フレームワーク、すなわちデフォルトボックスと二段階処理を採用している。近年、アンカー不要かつ一段階処理の検出器がこの分野に導入され始めたが、その精度はまだ満足できるものではない。そこで、アンカー不要検出器の簡潔さと二段階検出器の高精度を両立するため、Center and Scale Prediction（CSP）をベースにしたいくつかの改良を提案する。本研究の主な貢献は以下の通りである：（1）CSPのロバスト性を向上させ、トレーニングの容易さを実現した。（2）幅（width）を予測するための新たな手法、すなわち「幅の圧縮（compressing width）」を提案した。（3）CityPersonsベンチマークにおいて、合理的なセットで9.3％のログ平均ミス率（MR）、部分セットで8.7％、裸体セットで5.6％のMRという、アンカー不要かつ一段階検出器としては第二位の性能を達成した。これは、アンカー不要かつ一段階の検出器であっても高い精度を実現可能であることを示している。（4）元論文では言及されていないスイッチ可能な正規化（Switchable Normalization）の潜在的な機能を探索した。