- 交互式无类别物体计数
我们提出了一个新颖的互动式无类别对象计数框架，其中人类用户可以交互地提供反馈以提高计数器的准确性。我们的框架包括两个主要组成部分：一个用户友好的可视化工具来收集反馈，以及一个高效的机制来整合它。
- ECCV基于草图的三维重建：视角相关深度采样的 SketchSampler
本文提出了一种基于概率采样和密度图的方法，利用草图图像重新构建 3D 形状，实验结果表明该方法比其他基准方法要好。
- CVPR重新思考卷积网络对物体计数的空间不变性
本文提出使用高斯卷积核来代替原来的卷积滤波器，以估计密度地图中的空间位置，以达到激励密度地图生成过程并克服注释噪声的目的。我们的研究为后续研究指明了新的方向，应该研究如何适当放松过分严格的基于像素级空间不变性的对象计数。我们在 MCNN，C - 自标准化密度地图（SNDM）用于微生物物体计数
研究了基于密度图方法的微生物物体计数的统计特性，并利用深度神经网络应用了 bootstrap 和 MC dropout 两种统计学方法，提出了一种自归一化模块来纠正模型预测的缺陷并提高精度。该模型称为自归一化密度图模型，有效性与 Faste - CVPR学习数数
该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。
- 天空计数：一个用于遥感目标计数的大规模数据集和基准方法
在本文中，我们致力于研究如何从遥感图像中计数密集物体，针对这一难题，我们构建了一个大规模的遥感图像计数数据集，设计了一种新型的神经网络可以生成一个输入图像的密度图，并进行广泛的实验证明了我们方法的卓越性和有效性。
- ECCV基于代理任务自训练的半监督人群计数
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。
- 基于计数级弱监督的人群计数方法
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。
- 遥感图像中密集物体计数
本文提出了一种基于遥感图像的密集目标计数数据集，包含建筑物、港口拥挤船只、停车场中的大型和小型车辆。我们设计了一种新的神经网络，它能够生成输入图像的密度图，该网络由卷积块注意力模块 (CBAM)、尺度金字塔模块 (SPM) 和可变形卷积模块 - SCAR：面向人群计数的空间 / 通道注意力回归网络
本文提出了一种名为 “SCAR” 的空间 / 通道注意力模型，将传统的回归 CNN 用于估计密度图，以解决只关注局部外观特征的问题，模型在四个数据集上取得了最新的成果。
- 基于局部约束的空间变形网络用于视频人群计数
本研究提出一种基于密度图和局部限制空间变换网络（LSTN）的视频人群计数方法，旨在解决人员在场景中移动等因素引起的密度图变化问题，并通过收集包含 15K 帧的大规模视频人群计数数据集来验证该方法的有效性。
- CVPR基于图像级监督的目标计数与实例分割
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。
- 基于尺度感知注意力网络的人群计数
本文提出了一种新的 scale-aware attention 网络模型，利用注意力机制结合全局和局部尺度来解决人群计数中的尺度变化问题，并在多个基准数据集上优于其他最先进的人群计数方法。
- 面具感知网络用于人群计数
提出了一种新的方法解决人群计数问题，通过预测对象 / 非对象掩模并将其与输入图像相结合生成密度地图，进而在五个公共数据集上展示了该方法的卓越性能。
- IJCAI深度循环空间感知网络在人群计数中的应用
本文提出了一种利用神经网络及空间变换模型解决人流量不规则变化问题的方法，在 4 个数据集上实验得到了 12%-22.8% 的改进。
- 面向人群计数的结构化非均匀密度图学习
本文旨在处理极高密度场景下的人群计数问题，通过综合分析使用最广泛的基于密度图的方法并展示现有方法如何容易受到密度分布不均匀问题影响，证明其对偏离值敏感或难以优化的影响。接着，我们提出了一个极其简单的解决方案，即将密度图从二维扩展到三维，用额 - 基于卷积神经网络的单张图像人群计数和密度估计的最新研究综述
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。