本文旨在探讨利用计数级别注释，学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略，构建规则来限制生成的密度图的自由度，这与直接回归密度图的积分到对象计数不足。实验证明，该技术优于现有的解决方案。
Feb, 2020
该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。
Apr, 2021
本文提出了一种可视化深度神经网络分类决策的方法，使用基于区域扰动的方法评估热图，并比较了三种不同方法计算的热图对网络分类决策的解释力，结果发现基于层级相关传播方法对解释分类决策的效果更好。同时，本文还探讨了利用热图进行神经网络性能无监督评估的方法。
Sep, 2015
本研究探讨了如何训练用于计数物体的单视角回归模型，提出了使用全局求和池化代替全局平均池化或全连接层，从而避免局部估计相互抵消的问题以及由于在全分辨率图像上训练而导致的过拟合问题，并在四个不同的航空影像数据集上验证了模型的有效性。
May, 2018
本文提出一种使用深度神经网络的方法，对数字图像中的对象进行自动计数和定位，相对于现有方法，其平均误差率有 20% 的相对改进。
Mar, 2017
使用扩散模型生成的合成数据对深度学习方法在人群计数方面进行增强，减小了真实数据有限导致的过拟合问题，该方法在多个数据集上表现出了显著的性能提升。
Jan, 2024
研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。
May, 2017
本论文利用 MNIST 数据集通过训练 counting convolutional neural network 来探究卷积神经网络中数字特征的表示学习，实现对于行人计数场景的初步探索。
May, 2015
研究探讨了使用较弱监督水平对深度人数计数体系结构在图像分类和点级定位方面的性能造成的影响，实验证明使用 CNN 图像级模型计数人数能够以竞争性结果达到 YOLO 检测器和点级模型的水平，并且提供更高的帧率和相似数量的模型参数。
Nov, 2023
本文提出了一种基于空间布局和 Layout Proposal Networks 技术的目标计数和定位方法，能够准确识别和定位无人机拍摄的视频中的目标物体，同时通过提出了一个新的大型数据集来评估该方法。
Jul, 2017