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

研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

May, 2017

本研究提出一种新颖的方法解决在给定密集人群图像中计数、密度图估计和人物定位的问题，成果在新数据集上的表现大幅领先于现有的深度 CNN 网络。

Aug, 2018

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

该研究提出了一种名为 DecideNet 的新型端到端人群计数框架，它可以根据实际密度情况自适应地决定适当的计数模式，利用检测和回归基础的密度地图分别进行人群密度估计，并采用关注模块指导适当的估计方法，实现了在三个具有挑战性的人群计数数据集上的最先进表现。

Dec, 2017

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

提出了一种新颖的深度学习框架，用于从高密度人群的静态图像中估计人群密度，使用深度和浅层完全卷积网络的组合来预测给定人群图像的密度地图，通过多尺度数据增强来引导 CNN 学习尺度不变表示，并且在 UCF_CC_50 数据集上表现出比现有技术更好的性能。

Aug, 2016

本篇综述了近年来在人群计数领域中最重要的贡献，通过模型架构、学习方法和评估方法等多方面比较，对人群计数进行了全面系统的综述调查，为初学者们提供了解人群计数研究发展的良好资源。

Sep, 2022