摘要

近期的群体计数研究主要聚焦于基于检测到的个体进行计数，而非直接估计图像中的人数。然而，现有的群体定位方法通常直接检测个体的头部点或区域，这可能导致位于网格（grid）之外的输出缺乏责任归属，从而影响定位精度。为此，本文提出了一种新型的群体计数与定位方法——伪方块标签网络（Pseudo Square Label Network, PSL-Net）。该方法采用无锚框（anchor-free）检测机制，通过预测中心点落入“责任网格”（responsible grid）的概率，实现对网格内个体的直接检测；同时，通过边界框回归（box regression）与中心度估计（centerness estimation），间接检测位于责任网格之外的个体。本研究进一步引入一种伪方块标签（Pseudo Square Label, PSL）的监督策略，该标签以点标注为中心、具有固定尺寸的方形区域生成。在训练阶段，我们设计了一种部分多对一匹配算法（partial many-to-one matching），仅在PSL区域内进行精确标签匹配，从而提升标注的准确性；在推理阶段，则通过中心度得分将预测点与对应的责任网格进行关联。实验结果表明，PSL-Net在人群计数领域最具代表性的两个数据集ShanghaiTech Part A和Part B上均达到了当前最优性能。同时，在基于点检测的群体定位方法中，PSL-Net也取得了最先进的结果，充分验证了其在群体计数与定位任务中的有效性与优越性。