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

本文提出了一个名为 SCALNet 的简单而有效的人群计数和定位网络，它将计数和定位任务视为像素密集预测问题，并将它们整合到一个端到端的框架中，在 NWPU-Crowd 基准测试中获得了超过 5％和 10％的改进。

Apr, 2021

本文提出了一种多任务方法来统一框架中进行人群计数和人员定位，通过学习编码人群图像的多尺度表示并将它们融合，我们的模型比相对较流行的基于密度的方法使用点监督来精确地识别人群位置，并在两个流行的分别是 ShanghaiTech A 和 B 的人群计数数据集上测试了我们的模型，展示了我们的方法在人群计数和定位任务上的强效果，分别在 ShanghaiTech A 和 B 上具有 110.7 和 15.0 的 MSE 量和 0.71 和 0.75 的 AP 量，我们的详细消融实验显示了多尺度方法的影响以及我们网络中嵌入的融合模块的有效性。

Feb, 2022

本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。

Apr, 2017

本文介绍了一种名为 Sparse Annotation（SA）的新的众包计数注释方法，我们提出了一种基于点的渐进点匹配网络（PPM），通过 Sparse Annotation 更好地探索群众；实验结果表明，在注释数量相同的情况下，PPM 优于以前的半监督计数方法，并与最先进的全监督方法具有竞争性的性能。

Apr, 2023

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

本文提出了一种新的架构 SPatial Awareness Network (SPANet)，并使用 Maximum Excess over Pixels (MEP) loss 来改进目标函数，通过一种多分支的弱监督学习方案来生成具有高差异性的像素级子区域。该框架能够被集成到现有的深度人群计数方法中，是可训练的端到端方法，并在四个具有挑战性的基准测试上进行了广泛的实验，表明我们的方法可以显着提高基线性能，并且在所有基准数据集上优于现有的最先进方法。

Sep, 2019

本文提出一种基于拓扑学方法的众包定位算法，引入一种基于持久同调理论的持久损失函数，通过对空间点的拓扑约束来避免语义错误，提高了在拥挤区域中的定位精度，并在公共基准测试中表现优越，同时还对人群分布的研究有着潜在的拓展应用。

Dec, 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

本研究提出了一种透视感知卷积神经网络（PACNN），以解决拥挤图像中的人群计数问题，该网络将透视信息集成到密度回归中，通过生成地面真值透视图并构建透视感知的多尺度密度加权层进行自适应性组合，具有较高的效率和有效性。

Jul, 2018