提出了一种基于探测器和人机筛选的重要性抽样框架 DISCount 用于大规模图像集合中的目标检测和计数，能够显著减少标签成本并提高筛选效率。

Jun, 2023

在本文中，我们致力于研究如何从遥感图像中计数密集物体，针对这一难题，我们构建了一个大规模的遥感图像计数数据集，设计了一种新型的神经网络可以生成一个输入图像的密度图，并进行广泛的实验证明了我们方法的卓越性和有效性。

Aug, 2020

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

本文提出了一种解决罕见物体检测任务的方法，通过离线和在线聚类方法，显著提高样本曝光效率并实现有效的机器学习地图绘制。以肯尼亚和坦桑尼亚的塞伦盖蒂玛拉地区的 bomas 检测为例，实验证明了检测效率的显著提升，预算为 300 个样本总数时的 boma 检测任务的 F1 分数为 0.51。

Mar, 2024

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

使用 You Only Look Twice (YOLT) 管道，通过深度学习技术，在相对较少的训练数据和多个传感器上快速、有效地检测任意尺寸的目标，包括小于 10 个像素。

May, 2018

基于逐对相似性的人工反馈和统计估计的聚类数量方法。

Dec, 2023

本文提出了一种基于图像级别监督学习实现常见物体计数的方法，该方法可以同时提供全局物体计数和物体实例的空间分布，并通过构建对象类别密度映射来实现。作者的方法在 PASCAL VOC 和 COCO 数据集上进行了全面实验，表现出了优异的性能。

Mar, 2019

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

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