通用物体检测在许多环境下都已经被较好地解决。然而对于特定的行人检测，拥挤场景下的互相遮挡却是一个普遍并且难以解决的问题。来自AZFT研究中心的计算机视觉与视频分析实验室 (CV2A)的朱建科教授和他的博士生张加良等，提出了一种用于解决行人相互遮挡情境的行人检测器APD。
普通的检测器通过预测目标物体的中心以及宽高属性用于目标物体的定位，并通过非极大值抑制等后处理方式获得最终的目标结果。这便导致在行人检测场景中，低阈值会漏检许多行人，高阈值则会产生许多误检。该工作对行人的属性进行建模估计，除了必要的中心与尺度等状态外，还额外估计了密度（density）与差异（diversity）等属性。这种额外的属性作为一个拓展的分支，可以方便地结合到检测器中做一个端到端的训练。利用学到的密度与差异属性，该工作中提出了一个属性感知的非极大值抑制算法，可以在拥挤和普通场景中自适应调整阈值，使得结果更加精确与鲁棒。这种额外的属性是通过真实场景的行人数据训练得到，因此比传统的数据无关的阈值设置方式更加精确。另外，在训练过程中，只需要利用矩形框作为监督信号进行监督训练，不需要额外的标注信息。
该工作在CityPersons 数据集上取得了第一名的成绩，已被TMM 2020收录。
https://arxiv.org/pdf/1910.09188v2.pdf
https://github.com/kalyo-zjl/APD
https://github.com/cvgroup-njust/CityPersons
