这篇论文，记录了作者做的各种实验，不是通过各种技巧策略来提高性能，而是通过各种数据集的交叉试验验证对比来发现较好的试验结果，通过试验发现总结真理。
对行人检测最近的方法做了介绍：
首先介绍传统的行人检测方法。
然后介绍深度学习的方法：基于R-CNN的行人检测，基于RPN+PB的。
然后介绍这两年的方法，ALF,CSP,MGAN，其中ALF是基于SSD的anchor-based，MGAN 是基于蒙版的可见区域指导网络，CSP是anchor-less的。
关于行人检测的数据集包括：三类。
第一类是用于视频监控的数据集有:Town Center,USC,DaimlerDB,INRIA,FTH,TUDBrussels,
第二类用于自动驾驶的数据集：KITTI,Caltech,CityPersons,ECP,
第三类是web爬取的数数据集：WiderPerson,WiderPedestrian,CrowdHuman
其中第三类的数据集数量和多样性，密集性都比前两个大，第二类处于中间位置，第一类最小
评价标准：
MR-2，表示log False Positive每张图片的平均损失率，取值范围为[0.01，1]，False Positive表示预测为假实际为真。
baseline:
用Cascade R-CNN作baseline,此外还用到HRNet,ResNeXt等
实验部分
作者用来几张表来表达他们做的试验：如下图所示，首先在数据集Caltech上，用不同的方法来训练，test出结果，然后在数据集city person上，最后在数据集ECP上，
然后又做了如下实验，如下图所示，训练和预测在不一样的数据集上进行，观察结果，可以看到性能降低一半多，而在city person上训练在Caltech上预测结果和在Caltech上训练预测差不多原因是city person的多样性密集型大于Caltech数据集。
又做了如下的实验：如下图所示，Table 8 上显示前两行数据差不多，是因为city person和ECP数据集都用相似的相机记录的，ECP比city person数据集多样性和密集型大，所以数据差不多
Table 9 表示在CrowdHuman数据集上训练在Caltech上与预测的效果比在Caltech上训练预测效果更好一倍
Table 10 做的实验是巡视是数据集整合，预测在CP数据集上，效果好一点。
