本研究基于动态 AoI 所捕获的视频帧，使用一种新颖高效的神经网络 PIDNet 进行行人入侵检测的多任务处理。实验结果表明，PIDNet 在该领域首次建立的基准数据集上，可以达到 67.1% 的准确率和 9.6 fps 的推理速度，为未来基于视觉的动态 PID 研究提供了良好的基准。

Sep, 2020

本文提出了一种调整卷积神经网络目标计数器的技术，在保留原始计数功能的同时，适应于其他视觉领域和对象类型。此项技术成功的实现了细胞计数新数据集 (DCC) 的构建，并取得了多个数据集上的最先进的目标计数性能。

Nov, 2017

本文提出了一种三支路网络体系结构 PIDNet，能够解决两支路网络体系结构中详细和语境特征混淆的问题，并利用边界关注技术在最终阶段对详细和语境支路进行融合，极大地提高了精度和神经网络处理速度。

Jun, 2022

本文提出了一种名为 PiDiNet 的简单而高效的边缘检测架构，它在 BSDS500、NYUD 和 Multicue 数据集上均表现出了较高的训练和推断效率，通过从零开始的训练，使用不到 1M 个参数，就能在 BSDS500 数据集上达到超过人类感知记录（0.807 对 0.803 的 ODS F-measure），并且具有与最先进技术相当的性能。

Aug, 2021

提出两种新型卷积方法 Pixel Difference Convolution（PDC）和 Binary PDC（Bi-PDC），以及两个轻量级深度网络 PiDiNet 和 Bi-PiDiNet 用于视觉任务，如边缘检测和目标识别。在 BSDS500、ImageNet、LFW 和 YTF 等数据集上进行的广泛实验表明，PiDiNet 和 Bi-PiDiNet 在准确性和效率之间取得了最佳的平衡。对于边缘检测，PiDiNet 是第一个可以在没有 ImageNet 的情况下进行训练的网络，在 BSDS500 上以 100 FPS 和小于 1M 参数实现了与人类水平相当的性能。对于目标识别，Bi-PiDiNet 在现有的二进制 DNN 中取得了最佳准确性，并在 ResNet18 上将计算成本减少了近 2 倍。

Feb, 2024

本文提出一种使用深度神经网络的方法，对数字图像中的对象进行自动计数和定位，相对于现有方法，其平均误差率有 20% 的相对改进。

Mar, 2017

本文提出了一种名为 DSNet 的网络，采用密集空洞卷积块和密集残差连接来实现完全端到端的人群计数。在四个人群计数数据集上对 DSNet 进行实验后，得到了比现有算法更优秀的结果。

Jun, 2019

本文提出使用高斯卷积核来代替原来的卷积滤波器，以估计密度地图中的空间位置，以达到激励密度地图生成过程并克服注释噪声的目的。我们的研究为后续研究指明了新的方向，应该研究如何适当放松过分严格的基于像素级空间不变性的对象计数。我们在 MCNN，CSRNet，SANet 和 ResNet-50 等 4 个主流对象计数网络上进行了评估，对 3 个应用程序（即人群，车辆和植物计数）的 7 个流行基准进行了广泛的实验，并且实验结果表明我们的方法明显优于其他最先进的方法，实现了有关对象空间位置的有希望的学习。

Jun, 2022

本文提出一种名为 DENet 的网络，包含一个检测网络和一个编码 - 解码估算网络，用于对密度变化较大的对象进行计数，MAE 表现优于其他先进方法。

Apr, 2019

研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

May, 2017