CrowdMLP: 多粒度 MLP 弱监督人群计数
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
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
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
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
该论文提出了一种基于Transformer的弱监督人群计数方法TransCrowd，通过自注意力机制实现了语义人群信息的高效提取，在五个基准数据集上获得了比弱监督CNN方法更好的性能和与一些流行的全监督计数方法相当的计数性能。
Apr, 2021
本文提出了一种基于点的框架用于联合人群计数和个体定位，通过密度归一化平均精度（nAP）来提供更全面和精确的性能评估，并使用决策匈牙利算法将最优的学习目标分配给所述一组点候选项，从而明确实现这一新颖想法的关键步骤。
Jul, 2021
本研究利用自身结构信息及内部关联来减少代价昂贵的像素级注释，通过在潜在特征空间中的S^2FPR方法来提取结构信息和学习由粗到细的部分顺序以更好地计算大规模未标记图像的人数，该方法在UCF-QNRF、ShanghaiTech PartA和PartB、UCF-CC-50等四个基准数据集上的实验表明了与以往半监督方法的有效性。
Jan, 2022
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
本文提出了一种新的弱监督自动标注人群图像密集标注数据的方法，通过构造一种Siamese Ranking Network模型来预测图像的潜力分数以表明人群数量的排序，同时在推断阶段引入锚点来提高模型的精度。实验结果表明，该方法在无需额外添加标注数据的情况下，优于现有的弱监督方法。
May, 2022
该研究提出了一种新的半监督方法，基于平均教师框架，以减轻训练可靠的人群计数模型所需的大量标注负担，从而增加数据量，提高模型的实用性和准确性。经验证明，在标签数据稀缺的情况下，仅通过未标记的数据来提高局部区域预测的准确性是不充分的，因此需要采用更细粒度的方法培养模型的内在“突显”能力，以 accurately estimate the count in regions by leveraging its understanding of the crowd scenes，并结合局部细节预测高密度区域，该方法在人群计数领域取得了最先进的表现。
Oct, 2023