这篇文章围绕回答这个问题展开：
what kind of extra features are effective and how they actually work to improve the CNN-based pedestrian detectors?
什么样的额外特征是有效的，以及实际上他们是怎么起作用，如何提升基于CNN的行人检测器。
针对行人检测两个问题：
1.相比于普通的物体检测，行人检测很难区分背景和人。 行人检测时，更多地依赖与语义信息。
低分辨率时，没有额外的上下文信息，很难区分是hard negative还是正样本。即使是人也很难区分
2.针对的第二个问题，就是人体框检测不准的问题，
在拥挤的人群时，这个问题更为严重，因此CNN在较深层时，往往得到的是high-level的语义信息，在人靠的比较近的时候，边缘信息通常模糊。
解决这个问题最直观的方法是，利用low-level的外观信息，比如边缘信息
KITTI数据集里面有大量的小目标，因此在网络结构上做出了调整，具体两个调整：
1.Anchor rate和anchor scale从3,3调整到5 scales and 7 ratios
2.Conv5被直接去除，为了保留高分辨率的特征
这篇文章对于不同额外特征的探讨很有意思，究竟哪些特征是有用的？它们又是如何起作用？
结论：
The detectors utilize the semantic context provided by extra channel features to discriminate pedestrian of low resolution from hard negative samples.
检测器利用额外的语义信息帮助判别低分辨率的hard negative samples
1.对于定位不准：
加入边缘信息可以改善定位不准带来的FP。
这篇文章的结构实际上是增强了一个语义分割或者边缘检测分支，我觉得在数据集没有语义分割标签时，这个分支很难训练，文中说是采用coco训练得到的网络。它的分割能力我觉得有待考证。最终实际是直接把语义分割的特征concat到主干网络的特征中，思路比较简单。在inference的时候，那个分割网络（或者是边缘提取网络可以去掉，但网络还是挺大，因为增加了4个卷积层）。
训练流程和蒸馏很相似。
个人总结：整个文章思路很简单，最后的结论也很简单，就是边缘信息和语义信息是缓解FP中定位不准、减少hard negative样本误检测问题。
在实现上，这个分割网络（或者是边缘提取网络）挺关键，选取很重要。网络其他部分都没有改，只是把语义信息concat进去了。加进去的方式也是简单粗暴。