本文提出一种跨视角、跨场景的多视角人群计数模型，使用视角布局几何形状和噪声视角正则化方法来注意选择和融合多个视角，同时使用人工合成的大型数据集进行训练和测试。结果表明，该模型在真实世界的数据集上取得了良好的性能，并超过了在相同场景上训练的模型。

May, 2022

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

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

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

本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。

Apr, 2017

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

本文旨在处理极高密度场景下的人群计数问题，通过综合分析使用最广泛的基于密度图的方法并展示现有方法如何容易受到密度分布不均匀问题影响，证明其对偏离值敏感或难以优化的影响。接着，我们提出了一个极其简单的解决方案，即将密度图从二维扩展到三维，用额外的维度隐含地表示密度级别解决不均匀密度分布问题。这种解决方案可以通过单个密度感知网络实现，不仅易于训练，而且可以在各种具有挑战性的数据集上实现最先进的表现。

Jan, 2018

本文提出了基于卷积神经网络的密度估计方法，用于解决图像人群计数的难题。通过两个分支 CNN 架构预测高分辨率密度图，以及提出了多阶段扩展方法，并在三个数据集上实验验证表明，该方法可以达到最低的平均绝对误差。

Jul, 2018

本文提出了一种多任务方法来统一框架中进行人群计数和人员定位，通过学习编码人群图像的多尺度表示并将它们融合，我们的模型比相对较流行的基于密度的方法使用点监督来精确地识别人群位置，并在两个流行的分别是 ShanghaiTech A 和 B 的人群计数数据集上测试了我们的模型，展示了我们的方法在人群计数和定位任务上的强效果，分别在 ShanghaiTech A 和 B 上具有 110.7 和 15.0 的 MSE 量和 0.71 和 0.75 的 AP 量，我们的详细消融实验显示了多尺度方法的影响以及我们网络中嵌入的融合模块的有效性。

Feb, 2022

本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

Dec, 2016