该研究提出了一种新的半监督计数方法，使用可学习的密度机构来将已识别的前景区域特征与其对应的密度子类（代理）接近，并将背景特征推开。通过密度导向的对比损失巩固骨干特征提取器，再使用变换器结构构建回归头进一步优化前景特征。提供了高效的噪声压制损失以最小化注释噪声的负面影响。在四个具有挑战性的人群计数数据集上的广泛实验表明，我们的方法比最先进的半监督计数方法具有更优越的性能。

Sep, 2022

提出一种完全自我监督的方法来解决密集人群计数问题，该方法可以在没有任何标注图像的情况下进行训练，通过预训练密度回归器实现特征学习，并通过最优化 Sinkhorn 距离匹配预测分布和先验分布来实现计数。实验结果证明了该方法在少量数据下也具有优越性。

Sep, 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

本文提出一种基于空间不确定性的半监督学习方法，通过二元分割的正则化替代任务，结合教师 - 学生框架，同时针对高自信度区域信息进行研究，解决了标注数据不足的人群计数问题，实验证明该方法优于现有半监督方法。

Jul, 2021

本文旨在探讨已有的网络攻防机制在人群计数任务上的有效性。我们提出了一种简单而有效的像素检测机制，利用一个多任务网络中各个输出的相互作用，充分发挥了深度网络在人群计数任务中的性能。最终结果表明我们的机制在攻击与防御之间实现了较好的平衡。

Nov, 2019

本文提出了一种无监督人群计数的传输学习方法，其中通过从标记源集合得到的回归和检测模型双重知识，实现在未标记目标集合上检测和计数人数，并且在标记源集合中训练学习这些模型和转换器，然后竞争性的自我监督学习在目标集合上进行计数。

Aug, 2020

本文提出了一种基于领域适应的人群计数 (DACC) 框架，通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题，实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。

Dec, 2019

本文提出了一种基于图像的人群计数方法，可以预测人群密度地图以及与预测密度地图相关的不确定性值，并开发出卷积神经网络架构来预测这些分布，通过使用高斯分布对人群密度值进行建模来获得预测不确定性，并开发了样本选择策略以减少适应计数网络所需的人工注释工作量。

Sep, 2020

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