提出了一种新颖的群体计数方法，利用了学习排名框架中丰富可用的未标记人群图像。该方法采用裁剪图像的排名方式，通过考虑拥挤场景图像的任何子图像都可以保证包含相同或更少数量的人而解决了现有数据集规模有限的问题。本文还从 Google 收集了两个人群场景数据集，并演示了如何在多任务网络中合并学习排名和人群密度估计。在两个最具挑战性的群体计数数据集上的实验证明了该方法获得了最先进的结果。

Mar, 2018

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主动学习的框架，可以在有限的监督下进行准确的人群计数，通过引入分布分类器对未标记的数据进行标记，以及将数据的分布标签和潜在表示混合在网络中，从而提高训练样本之间的分布对齐，实验结果表明，我们的方法可以在有限的图片数量下达到与完全标注数据集所用的前沿水平相当的性能。

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

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

使用潜在扩散模型生成合成数据，通过排名图像对进行预训练，并使用人群数量特征对噪声合成图像拟合线性层，从而实现无监督人群计数的最新结果。

Oct, 2023

本文提出一种基于转移学习的自动标注目标物体位置模型，可有效在缺乏繁琐手动标注的情况下对目标物体进行定位，取得优于目前同类方法的表现。

May, 2017

该研究旨在通过引入增强方法和前景蒸馏，以提高基于图像的计数任务的性能。作者在多个数据集上展示了该方法的有效性。

Jun, 2023

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