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

利用深度学习技术实现动物自动计数，实验表明，UNet 模型应用高斯密度图训练，以达到快速高效计数目的，特别适用于复杂背景下的航空图像中非洲象和海豚的计数任务，减少了人类对野生动物的干扰，为野生动物保护与和谐相处提供了有效的技术手段。

Jun, 2023

本文通过对 220 多篇文献的综合和系统研究，主要研究基于 CNN 的密度图估计方法，根据评估指标，在人群计数数据集上选择前三名表现者，并分析其优缺点，希望对未来人群计数发展做出合理推断和预测，同时也为其他领域的目标计数问题提供可行的解决方案。

Mar, 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

在本文中，我们致力于研究如何从遥感图像中计数密集物体，针对这一难题，我们构建了一个大规模的遥感图像计数数据集，设计了一种新型的神经网络可以生成一个输入图像的密度图，并进行广泛的实验证明了我们方法的卓越性和有效性。

Aug, 2020

本研究提出了一种新的联合多任务学习框架，用于实时监控人群计数的无人机监控。该框架利用图像融合网络结构来融合可见光和热红外图像，并使用人群计数网络结构来估计密度图。结果表明，与现有方法相比，该方法在客观评估和训练过程中具有可比较的结果。

Feb, 2022

通过使用合成数据和多样化生成策略，本研究探讨了合成数据对于少样本计数问题中的作用，并显示其显著改进了两种最近的高性能少样本计数模型在 FSC147 和 CARPK 数据集上的计数准确性。

Oct, 2023

本文介绍了一种通过利用深度学习技术实现鸟类在野外自动监测的方法，基于摄像机捕捉数据，使用 Faster-RCNN 架构实时分类图像，并通过 GPU 进一步处理数据，从而有效地减少了手动观测的需要，并取得了较为显著的监测鸟类的准确率

May, 2023

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

本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战，并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。

Jul, 2017