這篇文章圍繞回答這個問題展開：
what kind of extra features are effective and how they actually work to improve the CNN-based pedestrian detectors?
什麼樣的額外特徵是有效的，以及實際上他們是怎麼起作用，如何提升基於CNN的行人檢測器。
針對行人檢測兩個問題：
1.相比於普通的物體檢測，行人檢測很難區分背景和人。 行人檢測時，更多地依賴與語義信息。
低分辨率時，沒有額外的上下文信息，很難區分是hard negative還是正樣本。即使是人也很難區分
2.針對的第二個問題，就是人體框檢測不準的問題，
在擁擠的人羣時，這個問題更爲嚴重，因此CNN在較深層時，往往得到的是high-level的語義信息，在人靠的比較近的時候，邊緣信息通常模糊。
解決這個問題最直觀的方法是，利用low-level的外觀信息，比如邊緣信息
KITTI數據集裏面有大量的小目標，因此在網絡結構上做出了調整，具體兩個調整：
1.Anchor rate和anchor scale從3,3調整到5 scales and 7 ratios
2.Conv5被直接去除，爲了保留高分辨率的特徵
這篇文章對於不同額外特徵的探討很有意思，究竟哪些特徵是有用的？它們又是如何起作用？
結論：
The detectors utilize the semantic context provided by extra channel features to discriminate pedestrian of low resolution from hard negative samples.
檢測器利用額外的語義信息幫助判別低分辨率的hard negative samples
1.對於定位不準：
加入邊緣信息可以改善定位不準帶來的FP。
這篇文章的結構實際上是增強了一個語義分割或者邊緣檢測分支，我覺得在數據集沒有語義分割標籤時，這個分支很難訓練，文中說是採用coco訓練得到的網絡。它的分割能力我覺得有待考證。最終實際是直接把語義分割的特徵concat到主幹網絡的特徵中，思路比較簡單。在inference的時候，那個分割網絡（或者是邊緣提取網絡可以去掉，但網絡還是挺大，因爲增加了4個卷積層）。
訓練流程和蒸餾很相似。
個人總結：整個文章思路很簡單，最後的結論也很簡單，就是邊緣信息和語義信息是緩解FP中定位不準、減少hard negative樣本誤檢測問題。
在實現上，這個分割網絡（或者是邊緣提取網絡）挺關鍵，選取很重要。網絡其他部分都沒有改，只是把語義信息concat進去了。加進去的方式也是簡單粗暴。