计算机研究与发展

作者：余鹰,范在昌,曾康利,黄晓辉,苗夺谦,

关键词：人群计数, 半监督学习, 知识蒸馏, 认知不确定性, 双域联合损失,

在人群计数任务中，高昂的数据标注成本严重制约了全监督方法的广泛应用.为显著降低对标注数据的依赖，利用大量未标注数据的半监督计数方法已成为当前研究的主流方向.然而，现有半监督方法通常依赖迭代生成伪标签进行训练，其性能深受2种不确定性因素的制约，其中认知不确定性来自模型自身对知识掌握的不足，易导致伪标签生成质量不稳定；任意不确定性源于数据固有的噪声和歧义，使得模型易受背景干扰和分布偏差的影响.为应对上述挑战，提出渐进式认知引导的双域半监督人群计数网络（PCDNet）.该网络设计了渐进式认知引导的伪标签精炼机制，通过多粒度筛选，有效剔除低质量伪标签，缓解认知不确定性干扰；同时，提出联合频域和空间域的双域联合计数损失（dual-domainjointcountingloss，DDL），强制模型在空间域和频域学习一致且鲁棒的特征表达，有效约束由数据偏差引发的任意不确定性，增强模型对复杂场景的泛化能力.在4个主流人群计数数据集上的大量实验表明，PCDNet显著优于现有半监督方法，尤其在标注数据稀缺时优势更为明显.实验结果充分验证了该方法在应对认知与任意不确定性、生成高质量伪标签以及提升模型鲁棒性和泛化性能方面的有效性，为半监督人群计数提供了更优的解决方案.

来源：2025年第9期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第9期