行人检测国内外研究现状

行人检测是计算机视觉领域的重要研究方向之一，其应用广泛，如智能监控、自动驾驶等。下面简要介绍一下行人检测的国内外研究现状。

国外研究现状：

1. R-CNN系列：2014年，Ross Girshick等人提出了R-CNN（Region-based Convolutional Neural Networks）算法，该算法是第一个将深度学习应用于目标检测的算法，取得了显著的效果。后来，R-CNN的改进版Fast R-CNN和Faster R-CNN也相继被提出。

2. YOLO系列：2016年，Joseph Redmon等人提出了YOLO（You Only Look Once）算法，该算法采用单个卷积神经网络实现目标检测，速度快，效果好，成为目标检测领域的经典算法。后来，YOLOv2、YOLOv3和Tiny YOLO等版本也相继被提出。

3. SSD系列：2016年，Wei Liu等人提出了SSD（Single Shot MultiBox Detector）算法，该算法采用单个卷积神经网络同时进行目标检测和定位，速度快，精度高，成为目标检测领域的经典算法。

国内研究现状：

1. CFN系列：2016年，吴长江等人提出了CFN（Cross-modal Feature Network）算法，该算法采用多模态特征融合的方法进行目标检测，在行人检测领域取得了较好的效果。

2. SFD系列：2017年，张伟等人提出了SFD（Scale-aware Face Detection）算法，该算法在人脸检测领域取得了较好的效果，后来被应用于行人检测领域。

3. RPN+BF系列：2018年，黄海广等人提出了RPN+BF（Region Proposal Network+Bi-Directional Feature Pyramid Network）算法，该算法引入了双向特征金字塔网络进行目标检测，在行人检测领域取得了较好的效果。

总的来说，目前行人检测领域的研究主要集中在深度学习算法的改进和优化上，其应用前景非常广阔。