该论文提出了一种使用相同的输出大小将多个 Receptive Field 层自适应地结合在一起，形成密度地图来进行行人计数的模型，在人群场景中表现优异。

Nov, 2017

提出一种新型多尺度卷积神经网络（MSCNN）用于单张图像的人群计数，基于多尺度块，该网络能够生成与规模有关的特征以提高计数精度和鲁棒性，同时使用单列架构，更为精准和成本有效。实验证明，该方法的参数数量远低于现有的基于多列或多网络模型的方法，并且在计数精度和鲁棒性方面都优于现有的最先进方法。

Feb, 2017

提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

Jan, 2019

本文提出了一种端到端的可训练深度结构，该结构利用多个接收场大小获得的特征，并学习每个图像位置上每个特征的重要性，从而适应性地编码了准确预测人群密度所需的上下文信息的尺度，特别是在透视效果强烈时表现优于现有的人群计数方法。

Nov, 2018

本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。

Mar, 2019

本文提出了一种名为 DSNet 的网络，采用密集空洞卷积块和密集残差连接来实现完全端到端的人群计数。在四个人群计数数据集上对 DSNet 进行实验后，得到了比现有算法更优秀的结果。

Jun, 2019

本论文提出了一种群众计数方法，该方法使用多个针对特定外观的 CNN 进行预测，这些 CNN 根据测试图像的外观被自适应地选择，从而具有对大尺度外观变化的鲁棒性，并且可以比 CNN 和固定权重的集成方法更准确地计算群体数量。

Mar, 2017

本研究提出了一种透视感知卷积神经网络（PACNN），以解决拥挤图像中的人群计数问题，该网络将透视信息集成到密度回归中，通过生成地面真值透视图并构建透视感知的多尺度密度加权层进行自适应性组合，具有较高的效率和有效性。

Jul, 2018

本研究提出了一种名为 SACANet 的新型尺度自适应、具有长程上下文感知能力的网络，用于解决高度拥挤、尺度变化大且存在多个孤立集群的人群计数问题，并且在测试中表现出更高的准确性和更低的平均绝对误差。

Sep, 2019

本文提出了一种基于 CNN 的端到端级联网络方法，用于共同学习人群计数分类和密度图估计，实现高精度密度图的生成，并在公开数据集上取得了良好的效果。

Jul, 2017