本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战，并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。

Jul, 2017

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

本篇综述了近年来在人群计数领域中最重要的贡献，通过模型架构、学习方法和评估方法等多方面比较，对人群计数进行了全面系统的综述调查，为初学者们提供了解人群计数研究发展的良好资源。

Sep, 2022

本研究提出了一种基于LiDAR的隐私保护系统，用于智能环境下的行人追踪，利用多个分布式LiDAR的非重叠视图跟踪部分被遮挡的行人，并使用概率方法来建模和调整个体的动态运动模式，结果表明该系统能够准确地跟踪行人，是下一代智能环境中的有前途的保护隐私的跟踪手段。

Mar, 2023

本文提出了一个开源、低成本、可扩展和隐私保护的边缘计算框架，用于室内多人定位，其中包括多个 Tensor 处理单元 (TPU) 摄像头系统，配合基于 Kalman 滤波的多人跟踪方法和一种先进的身体方向估计方法，能够同时确定多人的位置和朝向，并保证了个人隐私，实现了优化的数据传输和存储以及可扩展性。

May, 2023

自动化人群监测在计算机视觉领域引起了极大的关注，在过去十年里取得了显著发展。本文探讨了视觉人群分析的六个主要领域，并强调了每个领域的关键进展，同时揭示了未来需要解决的关键问题。通过选择在创新性或性能方面有重大贡献的重要工作，本文以更全面的方式呈现了当前最先进技术的先进性。

Aug, 2023

通过集合“背景”和“物体”数据集，Paved2Paradise方法可生成全标注、多样化和逼真的激光雷达数据集，并且只需进行最少人工注释，从而在成本高昂的情况下加速点云模型的开发。

Dec, 2023

利用光探测与测距（LiDAR）和物联网（IoT）技术的整合，在城市安全和行人福祉方面为公共卫生信息学提供了变革性机会。本文提出了一种利用这些技术进行增强型城市交通场景下的三维物体检测和活动分类的新框架。通过使用高架LiDAR，我们获取了详细的三维点云数据，实现了精确的行人活动监测。为了克服城市数据匮乏问题，我们通过在Blender中模拟交通环境，创建了一个专门的数据集，便于针对性的模型训练。我们的方法采用了改进的基于点体素区域的卷积神经网络（PV-RCNN）进行稳健的三维检测和PointNet进行行人活动分类，显著促进了城市交通管理和公共卫生，为理解行人行为、促进更安全的城市环境提供了洞见。我们的双模型方法不仅提升了城市交通管理，还通过提供对行人行为的洞见，显著贡献于公共卫生和更安全的城市环境。

Apr, 2024

本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

May, 2024

该研究引入了Fourier-guided attention（FGA），一种新颖的关注机制，用于解决现有基于卷积注意网络的全尺度全局模式捕获效率低下的问题，FGA利用快速傅里叶变换（FFT）和空间注意力来高效地捕获多尺度信息，包括全尺度全局模式，通过路径构建允许FGA无缝集成频率和空间信息，进而提高其捕获各种人群模式的能力，并通过定量分析和Grad-CAM热图展示了FGA在捕获人群模式方面的有效性。

Jul, 2024