在行人检测中,如何兼顾速度和质量始终是一个具有挑战性的问题。 在本文中,我们介绍了使用特权信息的学习模型(LUPI),它可以加快学习的收敛速度,并在不牺牲速度的情况下有效地提高学习质量。 更详细地说,我们对特权信息进行了清晰的定义,该特权信息仅在训练阶段可用,而对于行人检测问题则不适用于测试集,并说明特权信息在多大程度上帮助检测器提高了质量。 所有实验结果都表明了该方法的鲁棒性和有效性,同时也表明了特权信息的显着改进。