本文提出了一种基于域自适应的人群计数方法，通过多层特征感知适应和结构化密度映射对齐，可以有效地将模型从合成数据适应到特定的实际场景，并在四个主流监视人群数据集上显示出比同类交叉领域计数问题的最新方法更好的效果。

Dec, 2019

本文提出了一种领域适应方法，采用语义一致性、语义提取和对抗训练技术解决了合成数据适应性差的问题，在三个数据集上实验结果表明该方案在跨领域计数问题中达到了最先进水平。

Feb, 2020

本文研究了基于单一源域的元学习框架，通过引入动态子域分割方案及设计域不变和域特定群体记忆模块实现了人群计数中跨内容场景的领域泛化，通过多个标准数据集的实验验证了该方法的强大通用性。

Dec, 2022

该研究提出了一个基于对抗学习的评分网络（ASNet），实现了深度神经网络在人群计数中的领先表现，通过对源域和目标域的全局和局部特征空间的对抗学习，结合粗到细的特征层次得分方法进行特征选择和知识迁移，有效地缓解了由于领域差异而导致的泛化瓶颈。

Jul, 2021

通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类，提出了一种名为 MPCount 的单一领域泛化方法，有效地解决了图像中的人群计数问题中的域偏移问题，并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有方法的计数准确性。

Mar, 2024

该研究提出了一种新的半监督计数方法，使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类（代理）接近，并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器，再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明，我们的方法比最先进的半监督计数方法具有更优越的性能。

Sep, 2022

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

本文提出了一种基于图像的人群计数方法，可以预测人群密度地图以及与预测密度地图相关的不确定性值，并开发出卷积神经网络架构来预测这些分布，通过使用高斯分布对人群密度值进行建模来获得预测不确定性，并开发了样本选择策略以减少适应计数网络所需的人工注释工作量。

Sep, 2020

本文提出了一种跨域细胞计数方法，使用少量标注的目标域图像和大量合成的源域图像进行训练，通过逐步微调模型实现在新的目标域图像上进行细胞计数。实验表明该方法在微生物学领域有着良好的表现。

Nov, 2022

该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

Mar, 2020