上下文金字塔
· 在密度预测过程中加入 局部信息+全局信息
· 第一次将焦点放在 生成高质量密度图，使用了PSNR/SSIM来评估
· 使用了对抗损失（ adversarial loss），不只是欧几里得损失（Euclidean loss）
补充解释：
ablation study，消融实验，就是你在同时提出多个思路提升某个模型的时候，为了验证这几个思路分别都是有效的，做的控制变量实验的工作。、
相关工作分类为：基于回归的方法，基于密度图的方法，基于CNN的方法
1 GCE
基于VGG-16的神经网络,通过解析全局的上下文信息将输入图片分成不同密度等级（极低密度、低密度、中等密度、高密度、极高密度），留了VGG-16的所有卷积层,用新的全连接层替换掉了最后的三个全连接层来完成分类任务，后面两个卷积层参数被微调，其他卷积层参数固定不变。
2 LCE
侧重降低人群总数估计的误差，使用一系列CNN网络，LCE通过解析局部的上下文信息将输入图片patch分成不同密度等级（极低密度、低密度、中等密度、高密度、极高密度）。
3 DME
多列的神经网络，(结构类似与MCNN)。使用了更深的网络,修改了卷积核的尺寸和个数.DME将输入图片映射到高维的特征图,而不是直接生成密度图。该特征图将和GCE及LCE生成的上下文信息融合在一起作为F-CNN的输入。
4 F-CNN
在DME中使用最大池化层(这对于实现平移不变性是必不可少的)，导致了变小的特征图和细节的丢失。为了生成高分辨率高质量的密度图，F-CNN使用了一系列卷积层和小数步长卷积层,小数步长卷积层帮助我们重建密度图的细节。F-CNN的结构为：CR(64,9)-CR(32,7)-TR(32)-CR(16,5)-TR(16)-C(1,1)，C:卷积层，R:relu层，T:小数步长卷积层(反卷积层)，小数步长卷积层保证了输入和输出的大小相同。使用对抗损失和像素级欧氏损失的组合，以端到端的方式与DME一起进行训练。
训练
数据集：GCE训练集取原图随机位置的1/4大小的patch,LCE训练集取原图随机位置64x64的pathch。
GCE基于VGG-16，所以输入图片被resize成224x224，LCE用64x64的patch训练，训练的ground truth种类由图片的人数决定。GCE，LCE都使用交叉熵损失。
