背景

密度图\(D_g\)的生成对于最终网络预测结果\(D_e\)至关重要，但是密度图\(D_g\)生成的过程中，高斯核的大小常常是手动设定的，并且对于不同的数据集，核大小和形状通常不一样。这些手动选择的参数，对网络来说可能不是最优的。

本文贡献

验证手动选择的高斯核不是最优的

为了验证手动选择的高斯核不是最优的，作者设计了一个Density Map Refinement网络,如下

下半部分是一个Refiner网络，将手动生成的密度图\(D_g\)进行refine，生成更为精细的密度图\(D_{g'}\)，作为上半部分Counter网络的回归目标。上半部分的网络为正常的预测密度图\(D_e\)的网络。将原有的密度图\(D_g\)Refine后，可以看到，网络的效果确实提升了，证实了作者观点。

提出了一个自适应生成密度图的方法

尽管前面提出的Refiner网络能够提升网络精度，但是仍然依赖于前期手动选择参数生成的密度图\(D_g\)。为了克服这个弊端，作者设计了一个自适应生成密度图\(D_g\)的网络，如下

第一行与前面提到的网络没有什么区别，主要改动是将下面的Refiner网络改成了自适应生成密度图的网络。首先，预先给定K个高斯核，与标注的点图作用生成K个密度图\(B_i\)，然后每个密度图经过self-attention网络，生成对应的attention map，将attention map和对应的\(B_i\)按像素相乘，就能够自适应地选择输入图片每个区域使用哪种核，最后一起送入fusion模块进行融合，就得到了密度图\(D_g\),与第一行的Counter网络一起，完成整个网络的训练。
下图是使用后的效果

这里有一点要说明，作者尝试了不预先设定K个高斯核的参数，改为网络自适应学习高斯核参数，发现效果均不如固定设置的

其中global loss, spatial loss, hard norm是自适应网络在不同loss下的表现，高斯核途中，第一行表示固定高斯核参数，第二三行表示不同loss下学得的高斯核形状