针对高拥挤场景下的人群计数问题，我们提出了一种网络结构，利用多级底部 - 顶部和顶部 - 底部融合方法、跨度残差函数和精心生成的尺度感知的密度地图等技术，有效地解决了不同层次的信息整合问题，大大提高了计数的精度。

Aug, 2019

本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构，其中包括一种注意力机制，可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络，可生成高质量的高分辨率密度地图，并在多个数据集上表现出最佳性能。

Feb, 2019

提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

Jan, 2019

本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性

Dec, 2016

本文提出了一种基于 CNN 与 transformer 结合的、名为 CCTrans 的简单方法，使用金字塔视觉 transformer 骨干模型捕捉全局人群信息、金字塔特征聚合模型组合低级和高级特征以及多尺度膨胀卷积预测密度图，我们的方法在多个人群计数基准测试中实现了新的最先进结果，在弱监督和全监督下均有良好表现，并且我们目前在 NWPU-Crowd 排名第一。

Sep, 2021

本文提出了一种基于 Inception-V3 的新方法 ICC 来降低计算量，以提高自动图像人群计数模型的实时性，并在保障公共安全方面具有很高的实用价值。

Oct, 2022

该研究提出了一种名为 SCNet 的单列计数网络，使用残差融合模块（RFMs）进行多尺度特征提取，金字塔池化模块（PPM）进行信息融合，使用子像素卷积模块（SPCM）进行分辨率恢复来高效地估计高分辨率密度图，具有高效的优势。研究还提供了一种原则性的范式用于密度图生成和数据增强，在三个基准数据集上进行的广泛实验表明，该方法在人群计数方面取得了新的最高效果，超过以前的方法很多，说明 SCNet 可以作为单列网络用于人群计数。

Aug, 2018

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

提出一种利用结构化知识传输框架的轻量级学生网络来有效解决高计算量和显存消耗，提升推断效率的方法。通过两个互补的传输模块，学生网络可以从教师网络中获取分层和跨层知识来学习紧凑而有效的特征。实验表明，该方法在减少计算成本的情况下仍能显著提高计算速度和准确性。

Mar, 2020

使用简单、高效的神经网络结构，该论文介绍了一种名为 Fuss-Free Network (FFNet) 的人群计数深度学习模型，通过多尺度特征融合结构实现了与复杂模型相媲美的准确性。

Apr, 2024