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

通过半监督学习和高斯过程估算建立虚拟基准，实现充分利用未标注样本数据，学习缩减标注数据的技术，在人群计数领域的多个数据集上表现出了优异的性能，且可实现从虚拟数据集到真实数据集（综合 - 真实转移）的迁移。

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

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

本文提出一种基于空间不确定性的半监督学习方法，通过二元分割的正则化替代任务，结合教师 - 学生框架，同时针对高自信度区域信息进行研究，解决了标注数据不足的人群计数问题，实验证明该方法优于现有半监督方法。

Jul, 2021

提出了一种无标签场景自适应人群计数方法 AdaCrowd，通过使用目标场景的一张或多张无标签图像进行自适应，以更好地适应不同场景的实际应用。

Oct, 2020

本研究提出了一种新的基于检测的深度学习网络来实现对人头大小及数量的计数，在使用伪基础真值进行训练时实施了一种在线更新方案和局部约束回归损失，并采用课程学习策略来训练网络，实验结果表明，该方法在多个标准数据集上的检测与计数任务中表现卓越。

Apr, 2019

该研究提出了一种新的半监督计数方法，使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类（代理）接近，并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器，再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明，我们的方法比最先进的半监督计数方法具有更优越的性能。

Sep, 2022

本文提出了一种半监督人群计数模型，通过将像素密度值建模为概率分布，设计了像素密度分布匹配损失、增强变压器解码器以及交错一致性自监督学习机制，并在四个数据集上进行了广泛实验，结果表明该方法明显优于竞争模型。

Feb, 2024

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