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

本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

Feb, 2019

提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

Jan, 2019

本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。

Mar, 2019

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

本研究提出了一种名为 SACANet 的新型尺度自适应、具有长程上下文感知能力的网络，用于解决高度拥挤、尺度变化大且存在多个孤立集群的人群计数问题，并且在测试中表现出更高的准确性和更低的平均绝对误差。

Sep, 2019

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

该论文提出了一种使用相同的输出大小将多个 Receptive Field 层自适应地结合在一起，形成密度地图来进行行人计数的模型，在人群场景中表现优异。

Nov, 2017

本文提出一种名为 DENet 的网络，包含一个检测网络和一个编码 - 解码估算网络，用于对密度变化较大的对象进行计数，MAE 表现优于其他先进方法。

Apr, 2019

该论文提出了一种名为 PaDNet 的框架，它具有 Density-Aware Network (DAN) 模块和 Feature Enhancement Layer (FEL) 模块，能够有效检测不同密度区域内的人群数量，并提出了两种改进的指标 (PMAE 和 PRMSE) 用于该场景下的模型评估。实验结果表明，该方法在四个人群计数基准数据集上均达到了最先进的性能水平和高鲁棒性。

Nov, 2018