本文提出了一种基于主动学习的框架，可以在有限的监督下进行准确的人群计数，通过引入分布分类器对未标记的数据进行标记，以及将数据的分布标签和潜在表示混合在网络中，从而提高训练样本之间的分布对齐，实验结果表明，我们的方法可以在有限的图片数量下达到与完全标注数据集所用的前沿水平相当的性能。

Jul, 2020

提出了一种新颖的群体计数方法，利用了学习排名框架中丰富可用的未标记人群图像。该方法采用裁剪图像的排名方式，通过考虑拥挤场景图像的任何子图像都可以保证包含相同或更少数量的人而解决了现有数据集规模有限的问题。本文还从 Google 收集了两个人群场景数据集，并演示了如何在多任务网络中合并学习排名和人群密度估计。在两个最具挑战性的群体计数数据集上的实验证明了该方法获得了最先进的结果。

Mar, 2018

本文提出了一种基于特征学习和密度图的半监督人群计数方法，将未标注的图像用于训练通用的特征提取器并将其用于密度图回归，同时利用自训练方案来学习相关的二元分割任务，表明该方法优于现有的半监督人群计数方法和基线方法。

Jul, 2020

本文研究了深度学习模型在使用不完美标注的人群图像数据进行密度估算时的鲁棒性，提出了一种使用自动生成的不完美标注数据训练的方法以代替标注错误数据的方法。实验结果表明，该方法可以更接近于使用完美标注数据训练的人群计数模型的准确度。

Dec, 2022

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

本文旨在探讨利用计数级别注释，学习从少量定位级别注释中有效地训练模型的弱监督众包计数问题。 通过多个辅助任务的训练策略，构建规则来限制生成的密度图的自由度，这与直接回归密度图的积分到对象计数不足。实验证明，该技术优于现有的解决方案。

Feb, 2020

半监督式人群计数中，通过使用伪标签和不确定性选择可靠的伪标签来训练模型的一种新方法，该方法通过匹配的基于补丁的代理函数更好地近似了人群计数任务的不确定性，从而生成了可靠的不确定性估计、高质量的伪标签，并达到了最新技术水平。

Aug, 2023

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

该研究旨在通过引入增强方法和前景蒸馏，以提高基于图像的计数任务的性能。作者在多个数据集上展示了该方法的有效性。

Jun, 2023

提出一种完全自我监督的方法来解决密集人群计数问题，该方法可以在没有任何标注图像的情况下进行训练，通过预训练密度回归器实现特征学习，并通过最优化 Sinkhorn 距离匹配预测分布和先验分布来实现计数。实验结果证明了该方法在少量数据下也具有优越性。

Sep, 2020