本文提出了一种新的人群计数网络，通过残差误差估计逐步生成人群密度图，并引入基于不确定性的置信度加权机制作为残差学习的指导，仅允许高置信度残差在细化路径中流动。在最近的复杂数据集上进行评估并获得了显着的错误改进。此外，我们还推出了一个新的大规模无约束人群计数数据集（JHU-CROWD），其图像数量比最近的人群计数数据集多约 2.8 倍，包含来自多种不同场景和环境条件的图像和完整标注。

Oct, 2019

本研究构建了一个大规模的拥挤人群计数和定位数据集，其中包含超过 5,000 张图像和超过 2 百万个已标注的头部坐标点和框，并在此基础上对现有的一些主流人数计数方法进行了性能评估，并提出了一些新的问题。

Jan, 2020

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

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