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架构 SPatial Awareness Network (SPANet)，并使用 Maximum Excess over Pixels (MEP) loss 来改进目标函数，通过一种多分支的弱监督学习方案来生成具有高差异性的像素级子区域。该框架能够被集成到现有的深度人群计数方法中，是可训练的端到端方法，并在四个具有挑战性的基准测试上进行了广泛的实验，表明我们的方法可以显着提高基线性能，并且在所有基准数据集上优于现有的最先进方法。

Sep, 2019

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

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

本文提出了一种名为 “SCAR” 的空间 / 通道注意力模型，将传统的回归 CNN 用于估计密度图，以解决只关注局部外观特征的问题，模型在四个数据集上取得了最新的成果。

Aug, 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

本文提出了一种新型的人群计数模型，使用带有密度的人群场景提高预测准确性和定位精度的切换卷积神经网络，并通过对所有主要人群计数数据集的广泛实验验证了其比现有最先进的方法具有更好的表现。

Aug, 2017