Single Domain Generalization for Crowd Counting

目前，基于图像的人群计数普遍采用密度图回归，因为它有很好的效果。然而，当在未知场景的数据上进行测试时，这种方法往往会遭受严重的性能下降。为了解决这个所谓的“领域转移”问题，我们研究了用于人群计数的单一领域泛化（SDG）。现有的SDG方法主要用于分类和分割，由于其回归性质和标签模糊性（即模糊的像素级地面实况），很难将其扩展到我们的情况。我们提出了一种新颖的SDG方法MPCount，即使在狭窄的源分布下也很有效。MPCount使用单个内存库重建密度图回归的多样特征，仅保留使用内容错误掩码和注意一致性损失的领域不变表示。它还引入了基于补丁的分类作为辅助任务，以提高密度预测的鲁棒性，从而实现高度准确的标签。通过对不同数据集的广泛实验，MPCount在狭窄源分布的训练数据中未观察到的各种情况下，明显提高了计数精度，超过了现有技术水平。代码可在https://github.com/Shimmer93/MPCount上获得。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了MPCount，一种有效的单域泛化方法，用于人群计数。它使用单个内存库重构密度图回归的多样特征，并使用内容错误掩码和注意力一致性损失保留仅域不变表示。它还引入了分块分类作为辅助任务，以提高密度预测的鲁棒性。在不同数据集上的实验表明，MPCount相对于现有技术水平显著提高了计数精度。代码已开源。

相关研究：最近在这个领域中，还有哪些相关的研究被进行？能否列举一些相关研究的论文标题？