本文提出了一种基于遥感图像的密集目标计数数据集，包含建筑物、港口拥挤船只、停车场中的大型和小型车辆。我们设计了一种新的神经网络，它能够生成输入图像的密度图，该网络由卷积块注意力模块 (CBAM)、尺度金字塔模块 (SPM) 和可变形卷积模块 (DCM) 三部分构成。实验表明，所提出的数据集的挑战性，以及我们的方法的优越性和有效性。

Feb, 2020

通过对高分辨率卫星图像进行目标检测并对样本进行抽样估计，使用重要性采样方法准确估算目标数量，达到优秀的性能表现。

Dec, 2021

本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即 DIOR 数据集，其可帮助研究人员开发和验证数据驱动的方法。

Aug, 2019

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

介绍了一种用于人群计数的 CNN 网络，并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新，从而获得了显著的计数准确度改善。

Apr, 2020

该研究提出一种新的用于在自然场景中进行物体类别计数的方法，利用人类视觉的子数能力进行参考，能够显著提高物体类别计数的准确性，并在视觉问题回答中应用了这种方法。

Apr, 2016

使用众包数据，本文基于深度卷积神经网络，构建了一个远程遥感图像分类基准测试集，该基准测试集包含两个子数据集，分别为 256×256 和 128×128 像素大小，用于比较与现有基准测试集在手工特征和经典的深度卷积神经网络模型下的表现。

May, 2017

本文是关于光学遥感图像中物体检测的文献综述，涵盖目标检测的众多方法，包括基于模板匹配、基于知识、机器学习等，同时讨论现有研究的挑战并提出两个有潜在发展的研究方向，即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。

Mar, 2016

本文提出了一项名为 Locount 的新任务，即同时进行对象定位和计数，针对此任务，我们收集了一个大规模的对象定位和计数数据集，提供了一个新的评估协议，同时提供了一个被称为级联定位和计数网络的强基线，并在数据集上进行大量实验以证明其重要性和性能。

Mar, 2020

利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

Mar, 2024