通过半监督学习和高斯过程估算建立虚拟基准，实现充分利用未标注样本数据，学习缩减标注数据的技术，在人群计数领域的多个数据集上表现出了优异的性能，且可实现从虚拟数据集到真实数据集（综合 - 真实转移）的迁移。

Jul, 2020

提出了一种无标签场景自适应人群计数方法 AdaCrowd，通过使用目标场景的一张或多张无标签图像进行自适应，以更好地适应不同场景的实际应用。

Oct, 2020

本文提出了一种基于特征学习和密度图的半监督人群计数方法，将未标注的图像用于训练通用的特征提取器并将其用于密度图回归，同时利用自训练方案来学习相关的二元分割任务，表明该方法优于现有的半监督人群计数方法和基线方法。

Jul, 2020

本文提出了一种新的弱监督自动标注人群图像密集标注数据的方法，通过构造一种 Siamese Ranking Network 模型来预测图像的潜力分数以表明人群数量的排序，同时在推断阶段引入锚点来提高模型的精度。实验结果表明，该方法在无需额外添加标注数据的情况下，优于现有的弱监督方法。

May, 2022

介绍了一种用于人群计数的 CNN 网络，并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新，从而获得了显著的计数准确度改善。

Apr, 2020

本文提出了一种基于主动学习的框架，可以在有限的监督下进行准确的人群计数，通过引入分布分类器对未标记的数据进行标记，以及将数据的分布标签和潜在表示混合在网络中，从而提高训练样本之间的分布对齐，实验结果表明，我们的方法可以在有限的图片数量下达到与完全标注数据集所用的前沿水平相当的性能。

Jul, 2020

本文提出了一种无监督人群计数的传输学习方法，其中通过从标记源集合得到的回归和检测模型双重知识，实现在未标记目标集合上检测和计数人数，并且在标记源集合中训练学习这些模型和转换器，然后竞争性的自我监督学习在目标集合上进行计数。

Aug, 2020

使用潜在扩散模型生成合成数据，通过排名图像对进行预训练，并使用人群数量特征对噪声合成图像拟合线性层，从而实现无监督人群计数的最新结果。

Oct, 2023

本文研究了深度学习模型在使用不完美标注的人群图像数据进行密度估算时的鲁棒性，提出了一种使用自动生成的不完美标注数据训练的方法以代替标注错误数据的方法。实验结果表明，该方法可以更接近于使用完美标注数据训练的人群计数模型的准确度。

Dec, 2022

该研究通过利用合成数据生成器和标注器构建了一个大规模，多样化的合成数据集，采用两个方案 (预训练和领域自适应) 来提高人群计数的性能。实验显示，该方法在真实数据集上实现了最先进的性能。

Mar, 2019