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。