本文研究了基于红外光阵列的人体计数任务，比较了 6 种不同的深度学习架构在各种限制下的性能，并提供了新的数据集进行评估。结果表明，我们的模型比以前的方法更准确，速度更快，更节能，以便可在 MCU 上进行连续，实时推断。

Apr, 2023

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

本研究探讨了遥感图像中的目标存在检测和定位问题，主要关注太阳能电池板的识别。我们评估了三种模型的不同监督水平，分别为完全监督的目标检测器、基于 CAM 的弱监督图像分类器与定位器以及最小监督异常检测器。分类器在二值目标存在检测方面表现出色（0.79 的 F1 得分），而目标检测器则提供了精确的定位（0.72 的得分）。异常检测器需要更多数据以获得可行的性能。模型结果的融合显示出潜在的准确度提升。CAM 对定位的影响有限，GradCAM、GradCAM++ 和 HiResCAM 得到了更好的结果。值得注意的是，与目标检测器相比，分类器在数据较少的情况下仍然表现出鲁棒性。

Sep, 2023

使用深度学习模型和可见光红外图像对数据集进行训练，从而实现在低光环境中的行人识别。

Sep, 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

介绍了一种用于人群计数的检测框架，采用 LSC-CNN 模型，解决了人群中的人头检测、计数等问题。

Jun, 2019

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

本研究提出了一种基于检测的目标计数方法，利用点级标注构建新型损失函数，无需预测物体的大小和形状，取得了比传统回归法更好的效果，且在多个数据集上均创下新的最优结果

Jul, 2018